"Yapay zeka, yüksek kaliteli araştırmaların yayınlanmasını sağlayabilir, önyargıları azaltabilir ve daha hızlı geri bildirim sağlayabilir"

Bağlantı Tablosu

Özet ve Giriş

Malzemeler ve yöntemler

Sonuçlar

RQ 1: Yapay zeka ve bilim ölçümü

RQ 2: Yapay zeka ve webometri

RQ 3: Yapay zeka ve bibliyometri

Tartışma

RQ 4: Yapay Zeka ile Scientometrics, Webometrics ve Bibliometrics'in Geleceği

RQ 5: Yapay Zeka ile Scientometrics, Webometrics ve Bibliometrics'in Etik Hususları

Sonuç, Sınırlamalar ve Kaynaklar

Tartışma

Yukarıdaki, oldukça eksiksiz ve en azından kapsamlı bir literatür taramasının, bilişim biliminde yapay zekanın durumunun eleştirel bir değerlendirmesine olanak sağlayacağını umuyoruz.

İlk olarak, Tablo 1'deki bulguların scientometri için önemli sonuçları vardır. Bilimometri analizlerinde yapay zeka (AI) yeteneklerini kullanmanın potansiyel faydalarını ve stratejilerini vurguluyorlar. Bahsedilen çalışmalar, yapay zekanın scientometride veri toplama ve analizin doğruluğunu ve verimliliğini artırabileceğini açıkça göstermektedir [21, 22, 32, 33]. Yapay zeka algoritmaları, çeşitli görevleri otomatikleştirerek insan hatalarını ve önyargılarını azaltarak daha güvenilir ve tutarlı sonuçlar sağlayabilir. Bu gelişmiş doğruluk ve verimlilik, zamandan ve kaynaklardan tasarruf sağlayarak araştırmacıların üst düzey analizlere ve yorumlara odaklanmasına olanak tanır.

Bahsedilen çalışmalarda sergilenen yapay zeka tabanlı alıntı analiz yöntemleri, yazar belirsizliğini giderme teknikleri ve tahmine dayalı modeller, araştırmacılara scientometride veri toplama ve analizini geliştirmek için güçlü araçlar sağlar [22, 24, 31, 34]. Yapay zeka algoritmaları alıntı kalıplarını etkili bir şekilde tanımlayabilir, bilimsel yayınların etkisini analiz edebilir ve araştırma eğilimlerini tahmin edebilir. Bu yetenekler, araştırmacıların bilimsel ortam hakkında daha derin içgörüler kazanmalarına ve bilinçli kararlar almalarına olanak tanır.

Geleneksel alıntı sayılarının araştırma etkisini ölçmede sınırlamaları vardır. Ancak çalışmalar, yapay zeka tabanlı ölçümlerin araştırma etkisine ilişkin daha kapsamlı ve doğru ölçümler sağlayabileceğini göstermektedir [25, 29]. Yapay zeka algoritmaları, alıntıların ötesinde sosyal medyadan bahsetmeler, indirmeler ve işbirlikleri gibi çeşitli faktörleri dikkate alarak bilimsel yayınların etkisine ilişkin daha bütünsel bir görünüm sağlayabilir.

Çalışmalarda gösterilen yapay zeka teknikleri, ortaya çıkan araştırma alanlarını ve bilimsel işbirliklerinin modellerini belirlemek için bilimsel literatürü analiz edebilir [28, 30]. Bu, araştırmacıların en son trendlerden haberdar olmalarını, yeni bilgi alanlarını keşfetmelerini ve ilgili paydaşlarla işbirliklerini geliştirmelerini sağlar.

Yapay zeka tabanlı akran değerlendirmesi sistemleri, çalışmalardan birinde vurgulandığı gibi, akran değerlendirmesi sürecinin verimliliğini ve nesnelliğini artırabilir [27, 57]. Yapay zeka, inceleme sürecinin bazı kısımlarını otomatikleştirerek yüksek kaliteli araştırmaların yayınlanmasını sağlayabilir, önyargıları azaltabilir ve yazarlara daha hızlı geri bildirim sağlayabilir. Bu, scientometrics analizlerinin genel kalitesini artırır ve bilimsel bilginin yayılmasını hızlandırır.

Başka bir çalışma, yapay zekanın intihal ve veri uydurma gibi bilimsel suiistimal olaylarını tespit etmeye yardımcı olabileceğini göstermektedir [55]. Yapay zeka algoritmaları, büyük hacimli verileri analiz ederek ve bunları yerleşik standartlarla karşılaştırarak potansiyel suiistimal durumlarını tespit ederek scientometri analizlerinin bütünlüğünü sağlayabilir [17, 54, 55].

Özetle, Tablo 1'deki bulgular yapay zekanın bilimometri tekniklerinde ve yaklaşımlarında devrim yaratma potansiyeline sahip olduğunu göstermektedir. Yapay zeka yetenekleri, veri toplama, analiz ve araştırma etkisinin değerlendirilmesinin doğruluğunu, verimliliğini ve güvenilirliğini artırır. Yeni ortaya çıkan araştırma alanlarının, işbirliği ağlarının ve bilimsel suiistimal örneklerinin belirlenmesini sağlarlar. Sonuç olarak, bu bulgular scientometrics araştırmalarının ilerlemesine katkıda bulunarak bilimsel ortamın kalitesini, erişilebilirliğini ve genel anlayışını geliştirmektedir.

Tablo 2, webometride yapay zeka (AI) yeteneklerini kullanmanın potansiyel faydalarını ve stratejilerini gösteren çalışmaları sunmaktadır [9, 36-44, 46, 58-66]. Bu tablodaki bulgular, yapay zekanın alanın çeşitli yönlerini nasıl geliştirebileceğini vurguladığı için webometri açısından önemli çıkarımlara sahiptir.

Gerçekten de Tablo 2'de bahsedilen çalışmalar, yapay zekanın webometride veri toplama ve analizini geliştirebileceğini ve bunu nasıl yapabileceğini göstermektedir. Yapay zeka algoritmaları özellikle web bağlantıları, sayfa içeriği ve kullanıcı davranışı gibi web verilerinin toplanması sürecini otomatikleştirebilir. Bu otomasyon yalnızca zamandan ve emekten tasarruf sağlamakla kalmıyor, aynı zamanda daha büyük ve daha çeşitli veri kümelerinin toplanmasını sağlayarak daha kapsamlı webometrik analizlere yol açıyor.

Webometride web bağlantısı analizini geliştirmeye yönelik çalışmalarda makine öğrenimi ve ağ analizi gibi yapay zeka teknikleri kullanılmaktadır [9, 43]. Bu teknikler araştırmacıların etkili web sitelerini, web sayfalarını ve çevrimiçi toplulukları tanımlamasını sağlar [42, 59]. Yapay zeka algoritmaları, web bağlantılarının yapısını ve dinamiklerini analiz ederek web kaynaklarının bağlantısı ve etkisine ilişkin bilgiler sağlayabilir [39, 42, 58, 59].

Yapay zeka algoritmaları, ilgili bilgileri çıkarmak ve webometrideki eğilimleri belirlemek için web içeriğini analiz edebilir [41, 62, 64, 65]. Web sayfalarından anahtar kelimeleri, konuları ve duyguları otomatik olarak çıkarmak için doğal dil işleme (NLP) teknikleri kullanılabilir [40, 41, 62-65]. Bu otomatik analiz, webometrik çalışmaların verimliliğini ve doğruluğunu artırarak araştırmacıların web tabanlı bilgi yayılımı ve eğilimler hakkında fikir sahibi olmalarını sağlar [40, 41].

Yapay zeka tabanlı ölçümler ve algoritmalar, webometride gelişmiş web etki değerlendirmesi sağlayabilir [46, 60]. Yapay zeka algoritmaları, geleneksel bağlantı sayımlarının ötesinde, web kaynaklarının etkisini ölçmek için kullanıcı davranışı, sosyal medyada bahsedilenler ve içerik katılımı gibi faktörleri dikkate alabilir [37, 46, 60]. Bu kapsamlı değerlendirme, araştırmacıların ve kuruluşların web içeriğinin erişimini ve etkisini anlamalarına yardımcı olur [37, 46].

Web kullanım madenciliği, web üzerindeki kullanıcı davranışının analizini ifade eder. Makine öğrenimi ve veri madenciliği gibi yapay zeka teknikleri, web sitelerindeki kullanıcı etkileşimlerini, gezinme yollarını ve tercihlerini analiz etmek için kullanılabilir. Bu analiz, araştırmacıların kullanıcı davranış kalıplarını anlamalarına, web tasarımını geliştirmelerine ve kullanıcı deneyimini geliştirmelerine yardımcı olur.

Yapay zeka algoritmaları, web ölçümünde web taramasının ve veri çıkarmanın verimliliğini ve etkinliğini artırabilir. Bu algoritmalar web sayfalarında otomatik olarak gezinebilir, ilgili verileri çıkarabilir ve alakasız veya yinelenen bilgileri filtreleyebilir. Bu otomasyon, veri toplama sürecini kolaylaştırarak araştırmacıların daha büyük hacimli web verilerini analiz etmesine olanak tanır.

Özetle, Tablo 2'deki bulguların yapay zekanın webometriyi önemli ölçüde geliştirme potansiyeline sahip olduğunu gösterdiğini belirtelim. Yapay zeka algoritmaları, veri toplama, web bağlantısı analizi, içerik analizi, etki değerlendirmesi, web kullanım madenciliği ve veri çıkarımını iyileştirerek araştırmacıların daha kapsamlı ve doğru webometrik analizler yapmalarını sağlar. Bu gelişmeler, web tabanlı bilgi yayılımının, kullanıcı davranışının ve web kaynaklarının etkisinin daha iyi anlaşılmasına katkıda bulunmaktadır.

Üçüncü olarak, Tablo 3, bibliyometride yapay zeka (AI) yeteneklerini kullanmanın potansiyel faydalarını ve stratejilerini gösteren çalışmaları sunmaktadır [21, 22, 24, 28, 30-34, 47-51, 53-56, 67-72]. Bu tablodaki bulgular, yapay zekanın alanın çeşitli yönlerini nasıl geliştirebileceğini vurguladığından bibliyometri açısından önemli çıkarımlara sahiptir.

Yapay zeka algoritmaları bibliyometride yayın analizini iyileştirebilir [21, 22, 32, 33, 67]. Yapay zeka teknikleri, bilimsel yayınlardan yazar adları, bağlantıları, alıntılar ve anahtar kelimeler gibi meta verileri otomatik olarak çıkararak veri toplama sürecini kolaylaştırabilir ve doğruluğu artırabilir [21, 22, 32, 33, 49, 67]. Bu otomasyon, araştırmacıların daha büyük hacimli yayınları analiz etmelerine olanak tanıyarak kapsamlı bibliyometrik analizleri kolaylaştırır [21, 22, 32, 33, 67].

Yapay zeka teknikleri bibliyometride alıntı analizini geliştirebilir. Yapay zeka algoritmaları, ortak alıntı ve bibliyografik bağlantı gibi alıntı modellerini otomatik olarak tanımlayabilir ve analiz edebilir [22, 24, 28, 31, 34, 68]. Bu algoritmalar aynı zamanda alıntı ağlarını ve kümelerini de tanımlayarak bilimsel yayınlar arasındaki ilişkilere dair içgörüler sağlayabilir [22, 24, 28, 31, 34, 68]. Bu analiz, araştırmacıların bilimsel çalışmanın etkisini ve etkisini anlamalarına yardımcı olur [24, 31, 34].

Yapay zeka algoritmaları, bibliyometride kritik bir görev olan yazar belirsizliğinin giderilmesine yardımcı olabilir [28, 30, 70-72]. Yapay zeka teknikleri, yazar adları, bağlantıları ve yayın geçmişi gibi çeşitli faktörleri analiz ederek benzer adlara sahip yazarları doğru bir şekilde tanımlayabilir ve belirsizliğini ortadan kaldırabilir [30, 72]. Bu belirsizliğin ortadan kaldırılması, bilimsel çalışmanın doğru şekilde atfedilmesini sağlar ve bibliyometrik analizlerin güvenilirliğini artırır [28, 30, 71, 72].

Bibliyometride tahmine dayalı modeller geliştirmek için makine öğrenimi ve veri madenciliği gibi yapay zeka teknikleri kullanılabilir [50, 51, 55, 56]. Bu modeller gelecekteki yayın eğilimlerini tahmin edebilir, ortaya çıkan araştırma alanlarını belirleyebilir ve araştırma etkisini tahmin edebilir [50, 51, 54, 55]. Yapay zeka algoritmaları, büyük bibliyografik veri kümelerindeki kalıpları ve ilişkileri analiz ederek, bilimsel araştırmanın gelecekteki yönüne dair değerli bilgiler sağlayabilir [54-56].

Yapay zeka algoritmaları, bibliyometri alanındaki araştırmacılar arasındaki işbirliği ağlarını analiz edebilir. Yapay zeka teknikleri, ortak yazarlık modellerini, bağlantıları ve araştırma işbirliklerini analiz ederek etkili araştırmacıları, araştırma gruplarını ve kurumları belirleyebilir. Bu analiz, araştırmacıların işbirliğinin dinamiklerini anlamalarına yardımcı olmanın yanı sıra, daha olağan bağlantıların yanı sıra disiplinler arası araştırmayı da teşvik etmesi beklenmelidir.

Yapay zeka teknikleri bibliyometride araştırma değerlendirmesini geliştirebilir. Yapay zeka algoritmaları, sosyal medyadaki bahsetmeler, indirmeler ve medyada yer alma gibi geleneksel alıntı sayılarının ötesinde çeşitli faktörleri göz önünde bulundurarak, araştırmanın etkisini değerlendirmek için daha kapsamlı ölçümler sağlayabilir. Bu kapsamlı değerlendirme, araştırmacıların, kurumların ve finansman kuruluşlarının bilinçli kararlar almasına ve kaynakları etkili bir şekilde tahsis etmesine yardımcı olur.

Ayrıca, geliştirilmiş veya özel olarak yazılmış yapay zeka algoritmaları, bilimsel suiistimal vakalarının tespit edilmesine yardımcı olabilir ve intihal ve veri uydurmanın kanıtlanmasına yardımcı olabilir.

Kısaca Tablo 3'teki bulgular, yapay zekanın bibliyometriyi önemli ölçüde geliştirme potansiyeline sahip olduğunu göstermektedir. Yapay zeka algoritmaları, yayın analizini, alıntı analizini, yazar belirsizliğini ortadan kaldırmayı, tahmine dayalı modelleri, işbirliği analizini ve araştırma değerlendirmesini geliştirerek araştırmacıların daha kapsamlı ve doğru bibliyometrik analizler yapmalarını sağlar. Bu gelişmeler, bilimsel topluluktaki bilimsel iletişimin, araştırmanın etkisinin ve işbirliği dinamiklerinin daha derin anlaşılmasına katkıda bulunmaktadır.