Авторы:
(1) Хамид Реза Саидния, факультет информатики и исследований знаний, Университет Тарбиат Модарес, Тегеран, Исламская Республика Иран;
(2) Элахе Хоссейни, факультет информатики и исследований знаний, факультет психологии и педагогических наук, Университет Альзахра, Тегеран, Исламская Республика Иран;
(3) Шади Абдоли, факультет информатики, Монреальский университет, Монреаль, Канада
(4) Марсель Ауслоос, Школа бизнеса, Лестерский университет, Лестер, Великобритания и Бухарестский университет экономических исследований, Бухарест, Румыния.
Вопрос 4: Будущее наукометрики, вебометрики и библиометрики с искусственным интеллектом
Вопрос 5: Этические аспекты наукометрии, вебометрики и библиометрии с использованием ИИ
Заключение, ограничения и ссылки
Надеемся, что приведенный выше довольно полный, по крайней мере обширный обзор литературы позволит критически оценить состояние искусственного интеллекта в информатике.
Во-первых, результаты Таблицы 1 имеют важное значение для наукометрии. Они подчеркивают потенциальные преимущества и стратегии использования возможностей искусственного интеллекта (ИИ) в наукометрическом анализе. Упомянутые исследования ясно демонстрируют, что ИИ может повысить точность и эффективность сбора и анализа данных в наукометрии [21, 22, 32, 33]. Автоматизируя различные задачи, алгоритмы искусственного интеллекта могут уменьшить человеческие ошибки и предвзятости, обеспечивая более надежные и последовательные результаты. Такая повышенная точность и эффективность экономят время и ресурсы, позволяя исследователям сосредоточиться на анализе и интерпретации высокого уровня.
Методы анализа цитирования на основе искусственного интеллекта, методы устранения неоднозначности авторов и прогнозные модели, продемонстрированные в упомянутых исследованиях, предоставляют исследователям мощные инструменты для улучшения сбора и анализа данных в наукометрии [22, 24, 31, 34]. Алгоритмы искусственного интеллекта могут эффективно определять закономерности цитирования, анализировать влияние научных публикаций и прогнозировать тенденции исследований. Эти возможности позволяют исследователям глубже понять научный ландшафт и принимать обоснованные решения.
Традиционный подсчет цитирования имеет ограничения при измерении воздействия исследований. Однако исследования показывают, что метрики на основе ИИ могут обеспечить более полную и точную оценку воздействия исследований [25, 29]. Учитывая различные факторы, помимо цитирования, такие как упоминания в социальных сетях, загрузки и сотрудничество, алгоритмы ИИ могут обеспечить более целостное представление о влиянии научных публикаций.
Методы искусственного интеллекта, продемонстрированные в исследованиях, могут анализировать научную литературу для выявления новых областей исследований и моделей научного сотрудничества [28, 30]. Это позволяет исследователям быть в курсе последних тенденций, открывать новые области знаний и способствовать сотрудничеству с соответствующими заинтересованными сторонами.
Системы экспертной оценки на основе искусственного интеллекта, как подчеркивается в одном из исследований, могут повысить эффективность и объективность процесса экспертной оценки [27, 57]. Автоматизируя части процесса рецензирования, ИИ может обеспечить публикацию высококачественных исследований, уменьшить предвзятость и обеспечить более быструю обратную связь с авторами. Это повышает общее качество наукометрического анализа и ускоряет распространение научных знаний.
Другое исследование показывает, что ИИ может помочь в выявлении случаев научных нарушений, таких как плагиат и фабрикация данных [55]. Анализируя большие объемы данных и сравнивая их с установленными стандартами, алгоритмы ИИ могут выявлять потенциальные случаи неправомерных действий, обеспечивая целостность наукометрического анализа [17, 54, 55].
Подводя итог, результаты Таблицы 1 демонстрируют, что ИИ обладает потенциалом совершить революцию в методах и подходах наукометрии. Возможности искусственного интеллекта повышают точность, эффективность и надежность сбора, анализа и оценки результатов исследований. Они позволяют выявлять новые области исследований, сети сотрудничества и случаи научных нарушений. В конечном итоге эти результаты способствуют развитию наукометрических исследований, повышению качества, доступности и общего понимания научного ландшафта.
В таблице 2 представлены исследования, демонстрирующие потенциальные преимущества и стратегии использования возможностей искусственного интеллекта (ИИ) в вебометрике [9, 36–44, 46, 58–66]. Результаты, представленные в этой таблице, имеют важное значение для вебометрики, поскольку они показывают, как ИИ может улучшить различные аспекты этой области.
Действительно, исследования, упомянутые в Таблице 2, демонстрируют, что ИИ может улучшить сбор и анализ данных в вебометрике, а также то, как это сделать. В частности, алгоритмы ИИ могут автоматизировать процесс сбора веб-данных, таких как веб-ссылки, содержимое страниц и поведение пользователей. Такая автоматизация не только экономит время и усилия, но также обеспечивает сбор более крупных и разнообразных наборов данных, что приводит к более комплексному вебометрическому анализу.
Методы искусственного интеллекта, такие как машинное обучение и сетевой анализ, используются в исследованиях для улучшения анализа веб-ссылок в вебометрике [9, 43]. Эти методы позволяют исследователям выявлять влиятельные веб-сайты, веб-страницы и онлайн-сообщества [42, 59]. Алгоритмы искусственного интеллекта могут анализировать структуру и динамику веб-ссылок, предоставляя представление о связности и влиянии веб-ресурсов [39, 42, 58, 59].
Алгоритмы искусственного интеллекта могут анализировать веб-контент для извлечения соответствующей информации и выявления тенденций в вебометрике [41, 62, 64, 65]. Методы обработки естественного языка (НЛП) могут использоваться для автоматического извлечения ключевых слов, тем и настроений с веб-страниц [40, 41, 62-65]. Этот автоматизированный анализ повышает эффективность и точность вебометрических исследований, позволяя исследователям получить представление о распространении информации через Интернет и тенденциях [40, 41].
Метрики и алгоритмы на основе искусственного интеллекта могут обеспечить расширенную оценку воздействия сети в вебометрике [46, 60]. Помимо традиционного подсчета ссылок, алгоритмы ИИ могут учитывать такие факторы, как поведение пользователей, упоминания в социальных сетях и взаимодействие с контентом, для измерения воздействия веб-ресурсов [37, 46, 60]. Эта комплексная оценка помогает исследователям и организациям понять масштабы и влияние веб-контента [37, 46].
Анализ использования веб-ресурсов относится к анализу поведения пользователей в сети. Методы искусственного интеллекта, такие как машинное обучение и интеллектуальный анализ данных, могут использоваться для анализа взаимодействия пользователей, путей навигации и предпочтений на веб-сайтах. Этот анализ помогает исследователям понять модели поведения пользователей, улучшить веб-дизайн и улучшить взаимодействие с пользователем.
Алгоритмы искусственного интеллекта могут повысить эффективность и результативность сканирования веб-страниц и извлечения данных в вебометрике. Эти алгоритмы могут автоматически перемещаться по веб-страницам, извлекать важные данные и фильтровать ненужную или повторяющуюся информацию. Эта автоматизация упрощает процесс сбора данных, позволяя исследователям анализировать большие объемы веб-данных.
Вкратце, отметим, что результаты, представленные в Таблице 2, демонстрируют, что ИИ потенциально может значительно улучшить вебометрику. Улучшая сбор данных, анализ веб-ссылок, анализ контента, оценку воздействия, анализ использования Интернета и извлечение данных, алгоритмы ИИ позволяют исследователям проводить более полный и точный вебометрический анализ. Эти достижения способствуют более глубокому пониманию распространения информации через Интернет, поведения пользователей и влияния веб-ресурсов.
В-третьих, в Таблице 3 представлены исследования, демонстрирующие потенциальные преимущества и стратегии использования возможностей искусственного интеллекта (ИИ) в библиометрии [21, 22, 24, 28, 30–34, 47–51, 53–56, 67–72]. Результаты, представленные в этой таблице, имеют важное значение для библиометрии, поскольку они показывают, как ИИ может улучшить различные аспекты этой области.
Алгоритмы искусственного интеллекта могут улучшить анализ публикаций в библиометрии [21, 22, 32, 33, 67]. Автоматически извлекая метаданные из научных публикаций, такие как имена авторов, места работы, цитаты и ключевые слова, методы искусственного интеллекта могут упростить процесс сбора данных и повысить точность [21, 22, 32, 33, 49, 67]. Такая автоматизация позволяет исследователям анализировать большие объемы публикаций, облегчая комплексный библиометрический анализ [21, 22, 32, 33, 67].
Методы искусственного интеллекта могут улучшить анализ цитирования в библиометрии. Алгоритмы искусственного интеллекта могут автоматически выявлять и анализировать модели цитирования, такие как совместное цитирование и библиографическая связь [22, 24, 28, 31, 34, 68]. Эти алгоритмы также могут идентифицировать сети и кластеры цитирования, обеспечивая понимание взаимосвязей между научными публикациями [22, 24, 28, 31, 34, 68]. Этот анализ помогает исследователям понять влияние научной работы [24, 31, 34].
Алгоритмы искусственного интеллекта могут помочь в устранении неоднозначности авторов, что является важной задачей в библиометрии [28, 30, 70–72]. Анализируя различные факторы, такие как имена авторов, принадлежность к ним и историю публикаций, методы ИИ могут точно идентифицировать и устранять неоднозначность авторов со схожими именами [30, 72]. Такое устранение неоднозначности обеспечивает точную атрибуцию научных работ и повышает надежность библиометрического анализа [28, 30, 71, 72].
Методы искусственного интеллекта, такие как машинное обучение и интеллектуальный анализ данных, могут использоваться для разработки прогнозных моделей в библиометрии [50, 51, 55, 56]. Эти модели могут прогнозировать будущие тенденции публикаций, определять новые области исследований и предсказывать влияние исследований [50, 51, 54, 55]. Анализируя закономерности и взаимосвязи в больших наборах библиографических данных, алгоритмы ИИ могут предоставить ценную информацию о будущем направлении научных исследований [54-56].
Алгоритмы искусственного интеллекта могут анализировать сети сотрудничества между исследователями в области библиометрии. Анализируя модели соавторства, принадлежности и исследовательское сотрудничество, методы искусственного интеллекта могут выявить влиятельных исследователей, исследовательские группы и учреждения. Этот анализ не только помогает исследователям понять динамику сотрудничества, но и, как ожидается, будет способствовать междисциплинарным исследованиям, помимо более обычных связей.
Методы искусственного интеллекта могут улучшить оценку исследований в библиометрии. Учитывая различные факторы, выходящие за рамки традиционного подсчета цитирования, такие как упоминания в социальных сетях, загрузки и освещение в СМИ, алгоритмы ИИ могут предоставить более полные показатели для оценки воздействия исследований. Эта комплексная оценка помогает исследователям, учреждениям и финансирующим агентствам принимать обоснованные решения и эффективно распределять ресурсы.
Кроме того, улучшенные или специально написанные алгоритмы искусственного интеллекта могут помочь в обнаружении случаев научного нарушения и доказать плагиат и фальсификацию данных.
Вкратце, результаты в Таблице 3 демонстрируют, что ИИ может значительно улучшить библиометрию. Улучшая анализ публикаций, анализ цитирования, устранение неоднозначности авторов, прогнозные модели, анализ сотрудничества и оценку исследований, алгоритмы ИИ позволяют исследователям проводить более полный и точный библиометрический анализ. Эти достижения способствуют более глубокому пониманию научной коммуникации, влияния исследований и динамики сотрудничества в научном сообществе.
Этот документ доступен на arxiv под лицензией CC BY 4.0 DEED.