tác giả:  (1) Hamid Reza Saeidnia, Khoa Nghiên cứu Tri thức và Khoa học Thông tin, Đại học Tarbiat Modares, Tehran, Cộng hòa Hồi giáo Iran;  (2) Elaheh Hosseini, Khoa Khoa học Thông tin và Nghiên cứu Kiến thức, Khoa Khoa học Tâm lý và Giáo dục, Đại học Alzahra, Tehran, Cộng hòa Hồi giáo Iran;  (3) Shadi Abdoli, Khoa Khoa học Thông tin, Đại học Montréal, Montréal, Canada  (4) Marcel Ausloos, Trường Kinh doanh, Đại học Leicester, Leicester, Vương quốc Anh và Đại học Nghiên cứu Kinh tế Bucharest, Bucharest, Romania.  Bảng liên kết   Tóm tắt và giới thiệu   Nguyên liệu và phương pháp   Kết quả   RQ 1: AI và khoa học đo lường   RQ 2: AI và webometrics   RQ 3: AI và trắc lượng thư mục   Cuộc thảo luận   RQ 4: Tương lai của Khoa học lượng học, Webometrics và Thư mục học với AI   RQ 5: Những cân nhắc về mặt đạo đức của Đo lường khoa học, Đo lường web và Đo lường thư mục với AI   Kết luận, hạn chế và tài liệu tham khảo  Nguyên liệu và phương pháp  Nghiên cứu của chúng tôi bao gồm việc tiến hành đánh giá kỹ lưỡng các tài liệu hiện có để khám phá các khía cạnh khác nhau và một số chỉ số liên quan đến việc sử dụng AI được tăng cường trong Khoa học học, Webometrics và Thư mục. Trong suốt quá trình chuẩn bị bản thảo này, chúng tôi đã tuân thủ danh sách kiểm tra PRISMA-ScR và tuân theo các nguyên tắc báo cáo được đề xuất để đánh giá có hệ thống [19]. Điều quan trọng cần lưu ý là bản thảo này chưa được đăng ký trước đây trong PROSPERO hoặc bất kỳ cơ sở dữ liệu tương tự nào. Chúng tôi muốn nhấn mạnh rằng mặc dù việc đăng ký PROSPERO thường gắn liền với các đánh giá có hệ thống, nhưng chúng tôi đã đưa ra quyết định có chủ ý là không đăng ký đánh giá cụ thể này. Quyết định này dựa trên phạm vi xem xét của chúng tôi, không đáp ứng nghiêm ngặt các tiêu chí đủ điều kiện của PROSPERO và tính thực tế trong giới hạn của dự án của chúng tôi. Chúng tôi muốn đảm bảo với độc giả rằng quá trình tìm kiếm và lựa chọn tài liệu của chúng tôi tuân theo phương pháp nghiêm ngặt và các phát hiện của chúng tôi được báo cáo một cách minh bạch, do đó nhằm giải quyết mọi lo ngại về độ tin cậy.   Câu hỏi nghiên cứu  “Các kỹ thuật tiên tiến trong khoa học đo lường được tăng cường bởi AI đóng góp như thế nào vào lĩnh vực đánh giá nghiên cứu và đánh giá tác động?”  "Những tiến bộ nào đã được thực hiện trong webometrics được tăng cường bởi AI và chúng nâng cao hiểu biết về thông tin trên web cũng như hành vi của người dùng trực tuyến như thế nào?"  “Các kỹ thuật tiên tiến trong phép đo thư mục được tăng cường bởi AI sẽ cách mạng hóa việc phân tích và đo lường các ấn phẩm học thuật cũng như tác động của chúng bằng cách nào?”  • Ngoài ra, chúng tôi đang tìm kiếm câu trả lời cho các câu hỏi sau:  "Tương lai của Khoa học lượng, Webometrics và Thư mục với AI là gì?"  “Những cân nhắc về mặt đạo đức nào cần được tính đến khi sử dụng AI trong Khoa học lượng học, Webometrics và Thư mục hóa?”   Tiêu chí bao gồm và loại trừ  Trong quá trình lựa chọn nghiên cứu, chúng tôi đã triển khai các tiêu chí cụ thể để xác định các bài viết liên quan từ cơ sở dữ liệu. Chúng tôi đã xem xét nhiều loại bài viết khác nhau, ngoại trừ các bài viết đánh giá có hệ thống vì mục đích của chúng tôi là tập trung vào các nghiên cứu ban đầu và các phân tích tổng hợp vì chúng thường có các tiêu chí bao gồm và loại trừ riêng biệt có thể khác với tiêu chí của chúng tôi. Các bài viết được chọn cần tập trung vào việc sử dụng AI để chuyển đổi phép đo và phân tích truyền thông học thuật, xác định các xu hướng nghiên cứu mới nổi và đánh giá tác động của các ấn phẩm khoa học. Do đó, các bài viết chỉ đề cập đến việc phân tích giao tiếp học thuật và tác động của các ấn phẩm khoa học mà không có bất kỳ liên quan nào đến AI sẽ bị loại khỏi quá trình đánh giá. Thông qua việc áp dụng các tiêu chí này, chúng tôi đảm bảo rằng các nghiên cứu được chọn sẽ trực tiếp giải quyết việc phân tích các kỹ thuật được tăng cường AI trong lĩnh vực khoa học trắc lượng, trắc lượng web và trắc lượng thư mục, cho phép chúng tôi đưa ra phân tích có mục tiêu và tập trung cho nghiên cứu của mình.   Cơ sở dữ liệu và phương pháp tìm kiếm  Chúng tôi đã tiến hành tìm kiếm trong một số cơ sở dữ liệu bao gồm ProQuest (LISTA & IBSS), EBSCO (LISTA), IEEE Explore, Web of Science và Scopus để xác định các nghiên cứu có liên quan. Việc tìm kiếm được giới hạn ở các bài báo được xuất bản từ ngày 1 tháng 1 năm 2000 đến tháng 9 năm 2022 để bao gồm các tài liệu gần đây nhất liên quan đến mục tiêu nghiên cứu của chúng tôi. Để đảm bảo chiến lược tìm kiếm toàn diện, chúng tôi đã sử dụng kết hợp các thuật ngữ tìm kiếm rộng và tiến hành tìm kiếm lồng nhau [20]. Chiến lược tìm kiếm liên quan đến việc sử dụng các từ khóa có liên quan đến chủ đề nghiên cứu của chúng tôi, bao gồm các biến thể và từ đồng nghĩa để tối đa hóa phạm vi bao phủ. Ví dụ: trong Scopus, chuỗi tìm kiếm của chúng tôi bao gồm các cụm từ như "AI" HOẶC "Trí tuệ nhân tạo" VÀ "Khoa học" HOẶC "Webometrics" HOẶC "Thư mục" hoặc các biến thể của nó. Bằng cách kết hợp các từ khóa này và sử dụng toán tử Boolean để kết hợp chúng, mục tiêu của chúng tôi là xác định các bài viết tập trung vào tác động, hiệu quả và đánh giá về chăm sóc sức khỏe hoặc công nghệ sức khỏe thông minh. Các thuật ngữ và chuỗi tìm kiếm cụ thể có thể hơi khác nhau đối với từng cơ sở dữ liệu nhưng chúng tuân theo một cấu trúc tương tự.   Lựa chọn nghiên cứu  Quá trình lựa chọn nghiên cứu bao gồm hai bước để xác định các bài viết đáp ứng tiêu chí đưa vào của chúng tôi. Ban đầu, hai nhà đánh giá độc lập (HR.S. và EH) đã sàng lọc tiêu đề và tóm tắt của các bài báo được xác định để xác định mức độ liên quan của chúng với câu hỏi nghiên cứu và tiêu chí đưa vào của chúng tôi. Mọi bất đồng giữa những người đánh giá đều được giải quyết thông qua thảo luận và đồng thuận. Nếu vẫn còn bất đồng, người đánh giá thứ ba (MA) sẽ được tư vấn với tư cách là trọng tài viên. Người đánh giá thứ ba đã xem xét cẩn thận các bài báo được đề cập và đưa ra ý kiến đóng góp để đạt được sự đồng thuận. Cách tiếp cận này đảm bảo rằng việc lựa chọn các bài viết cuối cùng đã (và đang) dựa trên thỏa thuận tập thể.   Đánh giá chất lượng học tập  Việc đánh giá chất lượng của các đánh giá được đưa vào được thực hiện bởi hai nhà nghiên cứu (HR.S. và EH) bằng cách sử dụng Danh sách kiểm tra đánh giá hệ thống CASP (Phụ lục 1). Chúng tôi đã giải quyết mọi bất đồng thông qua thảo luận và đạt được sự đồng thuận về chất lượng của từng nghiên cứu.   Khung mã hóa để phân tích các bài viết đã chọn  Để đảm bảo phân tích có hệ thống và nhất quán các bài viết đã chọn, một khung mã hóa đã được phát triển và áp dụng. Khung mã hóa bao gồm một số danh mục và tiêu chí chính hướng dẫn quá trình phân tích. Sau đây là tổng quan về khung mã hóa được sử dụng:   1. Hạng mục 1: Phương pháp nghiên cứu  - Tiêu chí: Xác định phương pháp nghiên cứu được sử dụng trong từng bài viết (ví dụ: thực nghiệm, khảo sát, nghiên cứu trường hợp, v.v.).   2. Hạng mục 2: Ứng dụng AI  - Tiêu chí: Xác định các ứng dụng cụ thể của trí tuệ nhân tạo được thảo luận hoặc sử dụng trong từng bài viết (ví dụ: học máy, xử lý ngôn ngữ tự nhiên, khai thác dữ liệu, v.v.).   3. Loại 3: Số liệu và Biện pháp  - Tiêu chí: Nắm bắt các số liệu và biện pháp khác nhau được sử dụng hoặc đề xuất trong các bài viết để đánh giá tác động hoặc hiệu quả của các ứng dụng AI trong khoa học trắc lượng, trắc lượng web và trắc lượng thư mục.   4. Hạng mục 4: Những cân nhắc về đạo đức  - Tiêu chí: Xác định mọi cân nhắc hoặc hàm ý về mặt đạo đức được thảo luận liên quan đến ứng dụng AI trong các bài viết đã chọn.   5. Loại 5: Những hàm ý trong tương lai  - Tiêu chí: Xem xét các cuộc thảo luận hoặc dự đoán về những tác động trong tương lai và những phát triển tiềm năng liên quan đến việc sử dụng AI trong khoa học trắc lượng, trắc lượng web và trắc lượng thư mục.  Trong quá trình phân tích, hai nhà nghiên cứu độc lập đã mã hóa từng bài viết bằng cách sử dụng khuôn khổ này. Mọi khác biệt hoặc bất đồng trong mã hóa đều được giải quyết thông qua thảo luận và đồng thuận. Độ tin cậy của bộ mã hóa được đánh giá bằng cách tính hệ số kappa của Cohen, mang lại mức thống nhất đáng kể là 0,85. Bằng cách sử dụng khung mã hóa này, chúng tôi mong muốn cung cấp bản phân tích toàn diện về các bài viết đã chọn và đảm bảo tính nhất quán trong việc đánh giá các khía cạnh liên quan. Quá trình mã hóa cho phép kiểm tra một cách có hệ thống phương pháp nghiên cứu, ứng dụng AI, số liệu, cân nhắc về mặt đạo đức và những tác động trong tương lai được thảo luận trong mỗi bài viết.  Bài viết này   theo giấy phép CC BY 4.0 DEED. có sẵn trên arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Decentralize AI Technology

decentralizeai

Nghe bài viết này bằng Tiếng Anh, đọc bởi robot thông minh của HackerNoon

“Các kỹ thuật tiên tiến trong khoa học đo lường được tăng cường bởi AI đóng góp như thế nào cho lĩnh vực nghiên cứu?”

About Author

BÌNH LUẬN

chuyên mục

BÀI VIẾT NÀY CŨNG CÓ MẶT TẠI

Related Stories

184 Stories To Learn About Psychology

94 Stories To Learn About John Locke

147 Stories To Learn About Reading Books Online

223 Stories To Learn About Science

184 Stories To Learn About Psychology

94 Stories To Learn About John Locke

147 Stories To Learn About Reading Books Online

223 Stories To Learn About Science

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps