«ИИ может улучшить процессы сбора, анализа, прогнозирования и оценки данных»

Таблица ссылок

Аннотация и введение

Материалы и методы

Полученные результаты

Вопрос 1: ИИ и наукометрия

Вопрос 2: ИИ и вебометрика

Вопрос 3: ИИ и библиометрия

Обсуждение

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

Заключение

В этом отчете мы подчеркиваем важность и потенциал интеграции алгоритмов ИИ с наукометрикой, вебометрикой и библиометрией на многочисленных примерах из литературы. Было показано, что смена парадигмы, которую претерпели алгоритмы ИИ в этих областях, открыла новые возможности для анализа, прогнозирования и рекомендаций на основе анализа закономерностей. В рамках данного обзора статья помогает подчеркнуть выдающиеся перспективы и ценность интеграции ИИ в наукометрику, вебометрику и библиометрику, т. е. обозначить синергию, которая может быть достигнута и усилена посредством этой интеграции.

Короче говоря, ИИ помогает наукометрике, предоставляя эффективные и точные методы анализа и получения информации из научных публикаций, сетей цитирования и отношений сотрудничества. Это должно позволить исследователям глубже понять научные знания, тенденции и влияние, способствуя более эффективному принятию решений и достижениям в научных исследованиях. Более того, ИИ расширяет вебометрику, предоставляя эффективные и автоматизированные методы анализа научных данных в Интернете, понимания структур ссылок и социальных взаимодействий, оценки влияния сети и предоставления персонализированных рекомендаций. Это позволяет исследователям получить представление о научной сетевой экосистеме, облегчить сотрудничество, а также повысить наглядность и влияние исследований в эпоху цифровых технологий. Кроме того, ИИ расширяет сферу библиометрической деятельности за счет автоматизации сбора данных, обеспечения точного определения авторов, анализа сетей цитирования, оценки воздействия исследований и предоставления персонализированных рекомендаций. Это позволяет исследователям получить представление о научной коммуникации, оценить эффективность исследований и принять обоснованные решения в своем библиометрическом анализе. В целом ИИ представляет собой эффективный и масштабируемый подход к наукометрии, вебометрике и библиометрии, позволяющий исследователям извлекать значимую информацию из обширных и разнообразных источников научной информации.

В заключение отметим, что интеграция искусственного интеллекта (ИИ) в наукометрику, вебометрику и библиометрику имеет значительный потенциал для продвижения исследований и понимания в этих областях. ИИ может улучшить процессы сбора, анализа, прогнозирования и оценки данных, предоставляя исследователям ценную информацию и улучшая процессы принятия решений.

Однако использование ИИ в этих областях также поднимает важные этические вопросы, которые необходимо тщательно учитывать. Конфиденциальность и безопасность данных, предвзятость и справедливость, прозрачность и объяснимость, подотчетность и ответственность, информированное согласие, влияние на занятость и общество, а также постоянный мониторинг и оценка являются одними из ключевых этических соображений, которые следует принимать во внимание. Для обеспечения ответственного и этичного использования ИИ решающее значение имеют междисциплинарное сотрудничество, вовлечение заинтересованных сторон и постоянная оценка. Исследователи, политики, специалисты по этике и заинтересованные стороны из различных областей должны работать вместе над разработкой руководящих принципов, рамок и передового опыта, которые способствуют этическому использованию ИИ в наукометрике, вебометрике и библиометрии. Решая эти этические соображения, мы можем использовать весь потенциал ИИ для расширения знаний, улучшения исследовательской практики и внесения вклада в улучшение общества, обеспечивая при этом справедливость, прозрачность и подотчетность при использовании этих технологий.

Ограничения

В этом конкретном исследовании мы не включали «серую» литературу в процесс поиска и проверки, а также не выполняли поиск вручную в Google Scholar. Вместо этого мы намеревались сосредоточиться на поиске в надежных базах данных. Хотя Google Scholar часто называют базой данных, на самом деле это поисковая система, которая может не включать высококачественные статьи и может находить только надежные исследования. Не осуществляя поиск в Google Scholar, мы стремились свести к минимуму количество дублирующихся исследований.

Однако важно отметить, что такой высокотехнологичный подход мог привести к упущению из виду определенных статей, что, к сожалению, могло привести к исключению из нашего исследования соответствующей информации. Мы считаем, что до момента написания и подачи этой статьи мы остерегаемся многих упущений. Тем не менее, для будущих исследований может быть полезно провести комплексный обзор, включающий «серую» литературу, чтобы предоставить читателям более широкую перспективу.

Рекомендации

1. Дарко А., Чан А.П., Адэбре М.А., Эдвардс Д.Д., Хоссейни М.Р., Амейо Э.Э. Искусственный интеллект в AEC-индустрии: наукометрический анализ и визуализация исследовательской деятельности. Автоматизация в строительстве. 2020;112:103081.

   
   

2. Парк S, Парк HW. Вебометрический сетевой анализ характеристик электронного сарафанного радио (eWOM) и подход машинного обучения к комментариям потребителей во время кризиса. Профессионал информации. 2020;29(5).

   
   

3. Ван Раан А. Наукометрика: современное состояние. Наукометрика. 1997;38(1):205-18.

   
   

4. Бхарви Д., Гарг К., Бали А. Наукометрика международного журнала Scientometrics. Наукометрия. 2003;56(1):81-93.

   
   

5. Телволл М., Воган Л., Бьорнеборн Л. Webometrics. Ежегодный обзор информатики и технологий. 2005;39(1):81-135.

   
   

6. Бьёрнеборн Л., Ингверсен П. Перспективы вебометрики. Наукометрия. 2001;50:65-82.

   
   

7. Макберни М.К., Новак П.Л., ред. Что такое библиометрия и почему вас это должно волновать? Материалы международной конференции профессиональных коммуникаций IEEE; 2002: ИИЭР.

8. Купер ID. Основы библиометрии. Журнал Ассоциации медицинских библиотек: JMLA. 2015;103(4):217.

   
   

9. Сюй Ю, Лю Х, Цао Х, Хуан С, Лю Э, Цянь С и др. Искусственный интеллект: мощная парадигма для научных исследований. Инновация. 2021;2(4).

   
   

10. Мельникова Е. Технологии больших данных в совокупности методов и средств научных исследований в современной наукометрии. Обработка научно-технической информации. 2022;49(2):102-7.

    
    

11. Тапе АТГ, Насер М. Искусственный интеллект, машинное обучение и глубокое обучение в строительном проектировании: наукометрический обзор тенденций и передового опыта. Архивы вычислительных методов в технике. 2023;30(1):115-59.

    
    

12. Саидния Х. Использование ChatGPT в качестве цифрового/умного справочного робота: как ChatGPT может повлиять на цифровые справочные службы? Информация имеет значение. 2023;2(5).

    
    

13. Саидния Х. Open AI, ChatGPT: быть или не быть, вот в чем вопрос. Информация имеет значение. 2023;3(6).

    
    

14. Юань С., Шао З., Вэй Икс, Тан Дж., Холл В., Ван Ю. и др. Наука, лежащая в основе искусственного интеллекта: эволюция тенденций, мобильности и сотрудничества. Наукометрика. 2020;124:993-1013.

    
    

15. Чаудхури Н., Гупта Г., Вамси В., Бозе И. На платформе, но будут ли они покупать? Прогнозирование покупательского поведения клиентов с помощью глубокого обучения. Системы поддержки принятия решений. 2021;149:113622.

    
    

16. Г. Мартин А., Фернандес-Исабель А., Мартин де Диего И., Бельтран М. Опрос для анализа поведения пользователей на основе методов машинного обучения: текущие модели и приложения. Прикладной интеллект. 2021;51(8):6029-55.

    
    

17. Саидния HR. Этический искусственный интеллект (ИИ): противодействие предвзятости и дискриминации в библиотечной и информационной индустрии. Новости библиотеки высоких технологий. 2023;перед печатью (перед печатью). doi: 10.1108/LHTN-10-2023-0182.

    
    

18. Хайн Д., Юровецки Р., Ли С., Чжоу Ю. Машинное обучение и искусственный интеллект в науке, технологиях, картировании инноваций и прогнозировании: обзор, синтез и приложения. Наукометрика. 2023;128(3):1465-72.

    
    

19. Трикко А.С., Лилли Э., Зарин В., О'Брайен К.К., Колкухун Х., Левак Д. и др. Расширение PRISMA для обзорных проверок (PRISMA-ScR): Контрольный список и пояснения. Анналы внутренней медицины. 2018;169(7):467-

20. Электронная публикация 05.09.2018. дои: 10,7326/м18-0850. PubMed PMID: 30178033.

    
    

21. Хольцманн Г.Дж., Пелед Д.А., Яннакакис М. О вложенном поиске в глубину. Система верификации Spin. 1996;32:81-9.

    
    

22. Донту Н., Кумар С., Мукерджи Д., Панди Н., Лим В.М. Как провести библиометрический анализ: обзор и рекомендации. Журнал бизнес-исследований. 2021;133:285-96.

    
    

23. Капуто А., Каргина М. Удобный для пользователя метод объединения данных Scopus и Web of Science во время библиометрического анализа. Журнал маркетинговой аналитики. 2022;10(1):82-8.

    
    

24. Чен X, Чен Дж, Ченг Г, Гонг Т. Темы и тенденции в области искусственного интеллекта помогли исследованиям человеческого мозга. ПЛОС Один. 2020;15(4):e0231192.

    
    

25. Абришами А., Алиакбари С. Прогнозирование количества цитирований на основе методов глубокого обучения нейронных сетей. Журнал информаметрики. 2019;13(2):485-99.

    
    

26. Кориа Ф, Кориа Ф. Карта знаний об искусственном интеллекте: как классифицировать технологии искусственного интеллекта. Введение в данные: все, что вам нужно знать об искусственном интеллекте, больших данных и науке о данных. 2019: 25-9.

    
    

27. Джебари К., Эррера-Вьедма Э., Кобо М.Дж. Использование контекста цитирования для выявления эволюции тем исследований: крупномасштабный анализ. Наукометрика. 2021;126(4):2971-89.

    
    

28. Ма А, Лю Ю, Сюй Икс, Донг Т. Модель прогнозирования количества цитирований, основанная на глубоком обучении, с семантическими особенностями бумажных метаданных. Наукометрия. 2021;126(8):6803-23.

    
    

29. Магсуди М., Шокухьяр С., Атаи А., Ахмади С., Шокухьяр С. Сетевой анализ соавторства приложений ИИ в устойчивых цепочках поставок: ключевые игроки и темы. Журнал чистого производства. 2023;422:138472.

    
    

30. Педро Ф., Субоса М., Ривас А., Вальверде П. Искусственный интеллект в образовании: проблемы и возможности устойчивого развития. 2019.

    
    

31. Улла М., Шахид А., Роман М., Ассам М., Фаяз М., Гади Ю. и др. Анализ междисциплинарных исследований с использованием сетей соавторства. Сложность. 2022;2022.

    
    

32. Чжао К., Фэн С. Использование структуры сети цитирования для прогнозирования количества цитирований статей: подход глубокого обучения. Журнал информаметрики. 2022;16(1):101235.

    
    

33. Саидния Х.Р., Козак М., Лунд Б., Маннуру Н.Р., Кешаварц Х., Эланго Б. и др. Проектирование, разработка, внедрение и оценка мобильного приложения для академических библиотечных услуг: исследование в развивающейся стране. Информационные технологии и библиотеки. 2023;42(3).

    
    

34. Сулеймани Х., Саидния Х.Р., Ауслоос М., Хасанзаде М. Избирательное распространение информации (СДИ) в эпоху искусственного интеллекта (ИИ). Новости библиотеки высоких технологий. 2023;перед печатью (перед печатью). doi: 10.1108/LHTN-08-2023-0156.

    
    

35. Фазели-Варзане М., Горби А., Ауслос М., Саллинджер Э., Вахдати С. «Спящие красавицы» исследований коронавируса. Ииии доступ. 2021;9:21192-205.

    
    

36. Чептуряну С., Черкети Р., Александру А., Попеску Д., Деси Г., Чептуряну Э. Влияние внедрения блокчейна на передачу технологий, производительность и интеграцию цепочки поставок, гибкость и оперативность. Пример использования IT&C-предприятий среднего размера. Исследования в области информатики и управления. 2021;30(3):61-74.

    
    

37. Амджад С., Юнас М., Анвар М., Шахин К., Шираз М., Гани А. Методы интеллектуального анализа данных для анализа влияния социальных сетей на успеваемость старшеклассников. Беспроводная связь и мобильные вычисления. 2022;2022:1-11.

    
    

38. Барклай И., Тейлор Х., Прис А., Тейлор И., Верма Д., де Мел Г. Структура для повышения прозрачности общих моделей искусственного интеллекта путем повышения наглядности вклада. Параллелизм и вычисления: практика и опыт. 2021;33(19):e6129.

    
    

39. Гровер П., Кар АК, Двиведи Ю.К. Понимание внедрения искусственного интеллекта в операционном управлении: выводы из обзора научной литературы и дискуссий в социальных сетях. Анналы исследования операций. 2022;308(1-2):177-213.

    
    

40. Хдер М.А. Веб-скрапинг или веб-сканирование: современное состояние, методы, подходы и применение. Международный журнал достижений в области мягких вычислений и их приложений. 2021;13(3).

    
    

41. Маулуд Д.Х., Зибари С.Р., Джекси К., Садик М.А.М., Шариф К.Х. Современное состояние семантического анализа обработки естественного языка. Кубаханский академический журнал. 2021;1(2):21-8.

    
    

42. Серафини Ф, Рид СФ. Мультимодальный контент-анализ: расширение аналитических подходов к контент-анализу. Визуальная связь. 2019:1470357219864133.

    
    

43. Серрано В. Нейронные сети в больших данных и веб-поиске. Данные. 2018;4(1):7.

    
    

44. Ван В., Ю Л. UCrawler: обучаемый веб-сканер, использующий базу знаний URL. Журнал вычислительных методов в науке и технике. 2021;21(2):461-74.

    
    

45. Ву Л, Доду Н.А., Вэнь Т.Дж., Ке Л. Понимание разговоров в Твиттере об искусственном интеллекте в рекламе, основанном на обработке естественного языка. Международный журнал рекламы. 2022;41(4):685-702.

    
    

46. Чжан Ц., Лу Дж., Цзинь Ю. Искусственный интеллект в рекомендательных системах. Сложные и интеллектуальные системы. 2021;7(1):439-57. doi: 10.1007/s40747-020-00212-w.

    
    

47. Сюй Ю, Лю Х, Цао Х, Хуан С, Лю Э, Цянь С и др. Искусственный интеллект: мощная парадигма для научных исследований. Инновация. 2021;2(4):100179. дои: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Абрамо Дж., Д'Анджело Калифорния. Насколько надежны неконтролируемые авторские алгоритмы устранения неоднозначности при оценке эффективности исследовательской организации? Количественные научные исследования. 2023:1-26.

    
    

49. Аль-Джамими Х.А., БинМахашен Г.М., Борнманн Л. Использование библиометрии для оценки исследований в странах с развивающейся рыночной экономикой: обзор и обсуждение библиометрических показателей. Наукометрика. 2022;127(10):5879-930.

    
    

50. Кокс А.М., Мазумдар С. Определение искусственного интеллекта для библиотекарей. Журнал библиотечного дела и информатики.0(0):09610006221142029. дои: 10.1177/09610006221142029.

    
    

51. Эйзенштейн Дж. Введение в обработку естественного языка: MIT Press; 2019.

    
    

52. Кан Ю, Цай З, Тан К.В., Хуан К., Лю Х. Обработка естественного языка (НЛП) в исследованиях в области управления: обзор литературы. Журнал управленческой аналитики. 2020;7(2):139-72.

    
    

53. Лоан Ф.А., Насрин Н., Башир Б. Играют ли авторы честно или манипулируют индексом Хирша Google Scholar? Библиотека высоких технологий. 2022;40(3):676-84.

    
    

54. Рехс А. Подход контролируемого машинного обучения к устранению неоднозначности авторов в Web of Science. Журнал информаметрики. 2021;15(3):101166.

    
    

55. Мохаммадзаде З., Ауслос М., Саидния ХР. ChatGPT: высокотехнологичный плагиат ждет зеленый свет научных публикаций. Невзаимозаменяемый токен (NFT) может стать выходом из ситуации. Новости библиотеки высоких технологий. 2023.

    
    

56. Саидния HR, Лунд BD. Невзаимозаменяемые токены (NFT): безопасный и эффективный способ предотвращения плагиата в научных публикациях. Новости библиотеки высоких технологий. 2023;40(2):18-9.

    
    

57. Мровински М.Дж., Фрончак П., Фрончак А., Ауслоос М., Недич О. Искусственный интеллект в рецензировании: как эволюционные вычисления могут помочь редакторам журналов? ПлоС один. 2017;12(9):e0184711.

    
    

58. Пива Ф., Тартари Ф., Джульетти М., Айелло М.М., Ченг Л., Лопес-Бельтран А. и др. Прогнозирование будущего бремени рака в США с помощью искусственных нейронных сетей. Будущая онкология. 2020;17(2):159-68.

    
    

59. Брюэр Р., Вестлейк Б., Харт Т., Арауза О. Этика веб-сканирования и веб-скрапинга в исследованиях киберпреступности: решение вопросов согласия, конфиденциальности и другого потенциального вреда, связанного с автоматизированным сбором данных. В: Лаворна А., Холт Т.Дж., редакторы. Исследование киберпреступлений: методологии, этика и критические подходы. Чам: Международное издательство Springer; 2021. с. 435-56.

    
    

60. Алайди АХМ, Роаа М, АЛРикаби Х, Альджазаери ИА, Аббуд Ш. Незаконная деятельность в даркнете: сканирование и классификация с использованием методов интеллектуального анализа данных. ИДЖИМ. 2022;16(10):123.

    
    

61. Томас Д.М., Матур С., редакторы. Анализ данных путем парсинга веб-страниц с использованием Python. 2019 г. 3-я Международная конференция по электронике, связи и аэрокосмическим технологиям (ICECA); 2019: IEEE.

    
    

62. Коркмаз М, Сахингоз ОК, Дири Б, ред. Обнаружение фишинговых веб-сайтов с помощью анализа URL-адресов на основе машинного обучения. 2020 г. 11-я Международная конференция по вычислительным, коммуникационным и сетевым технологиям (ICCCNT); 2020: IEEE.

    
    

63. Юань Х, Чен X, Ли Ю, Ян Цз, Лю В, редакторы. Обнаружение фишинговых веб-сайтов и целей на основе URL-адресов и ссылок на веб-страницы. 2018 г. 24-я Международная конференция по распознаванию образов (ICPR); 2018: IEEE.

    
    

64. Дутта АК. Обнаружение фишинговых веб-сайтов с использованием техники машинного обучения. ПлоС один. 2021;16(10):e0258361.

    
    

65. Джалил С., Усман М., Фонг А. Высокоточное обнаружение фишинговых URL-адресов на основе машинного обучения. Журнал окружающего интеллекта и гуманизированных вычислений. 2023;14(7):9233-51.

    
    

66. Кизель Дж., Мейер Л., Кнайст Ф., Штейн Б., Поттаст М., редакторы. Эмпирическое сравнение алгоритмов сегментации веб-страниц. Европейская конференция по поиску информации; 2021: Спрингер.

    
    

67. Баладжи Т., Аннаварапу CSR, Баблани А. Алгоритмы машинного обучения для анализа социальных сетей: опрос. Обзор компьютерных наук. 2021;40:100395.

    
    

68. Ритц Т. Проектирование систем на базе искусственного интеллекта для сбора и анализа качественных данных. 2021.

    
    

69. Николсон Дж.М., Мордаунт М., Лопес П., Уппала А., Розати Д., Родригес Н.П. и др. Scite: интеллектуальный индекс цитирования, который отображает контекст цитат и классифицирует их намерения с помощью глубокого обучения. Количественные научные исследования. 2021;2(3):882-98.

    
    

70. Михалевич Х., Сантамария Л. Устранение неоднозначности авторских сущностей в ADS с использованием методов обучения с учителем и теории графов. Наукометрика. 2021;126(5):3893-917. doi: 10.1007/s11192-021-03951-w.

    
    

71. Теклес А., Борнман Л. Разрешение неоднозначности имени автора библиометрических данных: сравнение нескольких неконтролируемых подходов1. Количественные научные исследования. 2020;1(4):1510-28. doi: 10.1162/qss_a_00081.

    
    

72. Гродзински Н, Гродзински Б, Дэвис БМ. Можно ли использовать сети соавторства для прогнозирования влияния исследований авторов? Анализ на основе машинного обучения в области исследований дегенеративной шейной миелопатии. Плос один. 2021;16(9):e0256997.

    
    

73. Фонсека Бде П., Сампайо Р.Б., Фонсека М.В., Цикер Ф. Сетевой анализ соавторства в исследованиях в области здравоохранения: метод и потенциальное использование. Политика и системы медицинских исследований. 2016;14(1):34. Электронная публикация 4 мая 2016 г. дои: 10.1186/s12961-016-0104-5. PubMed PMID: 27138279; Центральный PMCID PubMed: PMCPMC4852432.

    
    

74. Хэнкок Дж. Т., Нааман М., Леви К. Коммуникация, опосредованная искусственным интеллектом: определение, программа исследований и этические соображения. Журнал компьютерной коммуникации. 2020;25(1):89-100.

    
    

75. Сафдар Н.М., Баня Дж.Д., Мельцер К.С. Этические соображения в области искусственного интеллекта. Европейский журнал радиологии. 2020;122:108768.

    
    

76. Пратомо А.Б., Мокоденсео С., Азиз AM. Методы шифрования и анонимизации данных для повышения безопасности и конфиденциальности информационных систем. Западная научная информационная система и технологии. 2023;1(01):1-9.

    
    

77. Феррер X, ван Нуэнен Т., Сух Дж.М., Коте М., Криадо Н. Предвзятость и дискриминация в ИИ: междисциплинарная перспектива. Журнал IEEE Technology and Society. 2021;40(2):72-80.

    
    

78. Феррара Э. Справедливость и предвзятость в искусственном интеллекте: краткий обзор источников, последствий и стратегий смягчения последствий. Препринт arXiv arXiv:230407683. 2023.

    
    

79. Гичоя Дж.В., Томас К., Сели Л.А., Сафдар Н., Банерджи И., Банджа Дж.Д. и др. Ловушки ИИ и чего не следует делать: смягчение предвзятости в ИИ. Британский журнал радиологии. 2023:20230023.

    
    

80. фон Эшенбах WJ. Прозрачность и проблема черного ящика: почему мы не доверяем ИИ. Философия и технологии. 2021;34(4):1607-22.

    
    

81. Язданпанах В., Гердинг Э.Х., Штейн С., Дастани М., Джонкер С.М., Норман Т.Дж. и др. Рассуждения об ответственности в автономных системах: вызовы и возможности. ИИ И ОБЩЕСТВО. 2023;38(4):1453-64.