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 Nghiên cứu Kiến thức và Khoa học Thông tin, Khoa Tâm lý và Khoa học 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.
RQ 3: AI và trắc lượng thư mục
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
Hy vọng cuộc khảo sát tài liệu ở trên khá đầy đủ, ít nhất là rộng rãi, cho phép đánh giá quan trọng về tình trạng AI trong khoa học tin học.
Đầu tiên, những phát hiện trong Bảng 1 có ý nghĩa quan trọng đối với khoa học lượng học. Họ nhấn mạnh những lợi ích và chiến lược tiềm năng để sử dụng khả năng trí tuệ nhân tạo (AI) trong phân tích khoa học. Các nghiên cứu được đề cập chứng minh rõ ràng rằng AI có thể nâng cao tính chính xác và hiệu quả của việc thu thập và phân tích dữ liệu trong khoa học lượng học [21, 22, 32, 33]. Bằng cách tự động hóa nhiều tác vụ khác nhau, thuật toán AI có thể giảm thiểu sai sót và thành kiến của con người, đảm bảo kết quả nhất quán và đáng tin cậy hơn. Điều này nâng cao độ chính xác và hiệu quả, tiết kiệm thời gian và nguồn lực, cho phép các nhà nghiên cứu tập trung vào các phân tích và diễn giải ở cấp độ cao.
Các phương pháp phân tích trích dẫn dựa trên AI, kỹ thuật phân biệt tác giả và các mô hình dự đoán được trình bày trong các nghiên cứu được đề cập cung cấp cho các nhà nghiên cứu những công cụ mạnh mẽ để cải thiện việc thu thập và phân tích dữ liệu trong khoa học lượng học [22, 24, 31, 34]. Thuật toán AI có thể xác định các mẫu trích dẫn một cách hiệu quả, phân tích tác động của các ấn phẩm khoa học và dự đoán xu hướng nghiên cứu. Những khả năng này cho phép các nhà nghiên cứu hiểu sâu hơn về bối cảnh khoa học và đưa ra quyết định sáng suốt.
Số lượng trích dẫn truyền thống có những hạn chế trong việc đo lường tác động của nghiên cứu. Tuy nhiên, các nghiên cứu chứng minh rằng các số liệu dựa trên AI có thể cung cấp các thước đo toàn diện và chính xác hơn về tác động của nghiên cứu [25, 29]. Bằng cách xem xét các yếu tố khác nhau ngoài trích dẫn, chẳng hạn như lượt đề cập, lượt tải xuống và cộng tác trên mạng xã hội, thuật toán AI có thể cung cấp cái nhìn toàn diện hơn về tác động của các ấn phẩm khoa học.
Các kỹ thuật AI được trình bày trong các nghiên cứu có thể phân tích tài liệu khoa học để xác định các lĩnh vực nghiên cứu mới nổi và mô hình hợp tác khoa học [28, 30]. Điều này cho phép các nhà nghiên cứu luôn cập nhật các xu hướng mới nhất, khám phá các lĩnh vực kiến thức mới và thúc đẩy sự hợp tác với các bên liên quan.
Các hệ thống đánh giá ngang hàng dựa trên AI, như được nhấn mạnh trong một trong các nghiên cứu, có thể nâng cao hiệu quả và tính khách quan của quá trình đánh giá ngang hàng [27, 57]. Bằng cách tự động hóa các phần của quy trình đánh giá, AI có thể đảm bảo xuất bản nghiên cứu chất lượng cao, giảm thành kiến và cung cấp phản hồi nhanh hơn cho tác giả. Điều này cải thiện chất lượng tổng thể của các phân tích khoa học và đẩy nhanh việc phổ biến kiến thức khoa học.
Một nghiên cứu khác chứng minh rằng AI có thể hỗ trợ phát hiện các trường hợp sai trái trong khoa học, chẳng hạn như đạo văn và chế tạo dữ liệu [55]. Bằng cách phân tích khối lượng lớn dữ liệu và so sánh nó với các tiêu chuẩn đã được thiết lập, thuật toán AI có thể xác định các trường hợp hành vi sai trái tiềm ẩn, đảm bảo tính toàn vẹn của các phân tích khoa học [17, 54, 55].
Tóm lại, những phát hiện trong Bảng 1 chứng minh rằng AI có tiềm năng cách mạng hóa các kỹ thuật và phương pháp tiếp cận khoa học lượng học. Khả năng AI cải thiện độ chính xác, hiệu quả và độ tin cậy của việc thu thập, phân tích và đánh giá dữ liệu về tác động của nghiên cứu. Chúng cho phép xác định các lĩnh vực nghiên cứu mới nổi, mạng lưới hợp tác và các trường hợp hành vi sai trái trong khoa học. Cuối cùng, những phát hiện này góp phần thúc đẩy nghiên cứu khoa học lượng học, nâng cao chất lượng, khả năng tiếp cận và hiểu biết tổng thể về bối cảnh khoa học.
Bảng 2 trình bày các nghiên cứu chứng minh các lợi ích và chiến lược tiềm năng trong việc sử dụng khả năng trí tuệ nhân tạo (AI) trong webometrics [9, 36-44, 46, 58-66]. Những phát hiện trong bảng này có ý nghĩa quan trọng đối với webometrics, vì chúng nêu bật cách AI có thể nâng cao các khía cạnh khác nhau của lĩnh vực này.
Thật vậy, các nghiên cứu được đề cập trong Bảng 2 cho thấy rằng AI có thể cải thiện việc thu thập và phân tích dữ liệu trong webometrics cũng như cách thức thực hiện. Đặc biệt, thuật toán AI có thể tự động hóa quá trình thu thập dữ liệu web như liên kết web, nội dung trang và hành vi người dùng. Việc tự động hóa này không chỉ tiết kiệm thời gian và công sức mà còn đảm bảo thu thập các bộ dữ liệu lớn hơn và đa dạng hơn, dẫn đến các phân tích webometric toàn diện hơn.
Các kỹ thuật AI, chẳng hạn như học máy và phân tích mạng, được sử dụng trong các nghiên cứu để cải thiện phân tích liên kết web trong webometrics [9, 43]. Những kỹ thuật này cho phép các nhà nghiên cứu xác định các trang web, trang web và cộng đồng trực tuyến có ảnh hưởng [42, 59]. Thuật toán AI có thể phân tích cấu trúc và động lực của các liên kết web, cung cấp thông tin chuyên sâu về khả năng kết nối và tác động của tài nguyên web [39, 42, 58, 59].
Thuật toán AI có thể phân tích nội dung web để trích xuất thông tin liên quan và xác định xu hướng trong webometrics [41, 62, 64, 65]. Kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) có thể được sử dụng để tự động trích xuất từ khóa, chủ đề và cảm xúc từ các trang web [40, 41, 62-65]. Phân tích tự động này nâng cao hiệu quả và độ chính xác của nghiên cứu webometric, cho phép các nhà nghiên cứu hiểu rõ hơn về xu hướng và phổ biến thông tin dựa trên web [40, 41].
Các số liệu và thuật toán dựa trên AI có thể cung cấp đánh giá tác động web nâng cao trong webometrics [46, 60]. Ngoài số lượng liên kết truyền thống, thuật toán AI có thể xem xét các yếu tố như hành vi của người dùng, lượt đề cập trên mạng xã hội và mức độ tương tác với nội dung để đo lường tác động của tài nguyên web [37, 46, 60]. Đánh giá toàn diện này giúp các nhà nghiên cứu và tổ chức hiểu được phạm vi tiếp cận và ảnh hưởng của nội dung web [37, 46].
Khai thác sử dụng web đề cập đến việc phân tích hành vi của người dùng trên web. Các kỹ thuật AI, chẳng hạn như học máy và khai thác dữ liệu, có thể được sử dụng để phân tích tương tác của người dùng, đường dẫn điều hướng và tùy chọn trên trang web. Phân tích này giúp các nhà nghiên cứu hiểu được mô hình hành vi của người dùng, cải thiện thiết kế web và nâng cao trải nghiệm người dùng.
Các thuật toán AI có thể cải thiện hiệu suất và hiệu quả của việc thu thập dữ liệu web và trích xuất dữ liệu trong webometrics. Các thuật toán này có thể tự động điều hướng qua các trang web, trích xuất dữ liệu liên quan và lọc ra thông tin không liên quan hoặc trùng lặp. Tính năng tự động hóa này hợp lý hóa quy trình thu thập dữ liệu, cho phép các nhà nghiên cứu phân tích khối lượng dữ liệu web lớn hơn.
Tóm lại, hãy đề cập rằng những phát hiện trong Bảng 2 chứng minh rằng AI có tiềm năng nâng cao đáng kể phép đo web. Bằng cách cải thiện việc thu thập dữ liệu, phân tích liên kết web, phân tích nội dung, đánh giá tác động, khai thác việc sử dụng web và trích xuất dữ liệu, thuật toán AI trao quyền cho các nhà nghiên cứu tiến hành phân tích webometric toàn diện và chính xác hơn. Những tiến bộ này góp phần mang lại sự hiểu biết sâu sắc hơn về việc phổ biến thông tin dựa trên web, hành vi của người dùng và tác động của tài nguyên web.
Thứ ba, Bảng 3 trình bày các nghiên cứu chứng minh các lợi ích và chiến lược tiềm năng trong việc sử dụng khả năng trí tuệ nhân tạo (AI) trong trắc lượng thư mục [21, 22, 24, 28, 30-34, 47-51, 53-56, 67-72]. Những phát hiện trong bảng này có ý nghĩa quan trọng đối với trắc lượng thư mục, vì chúng nêu bật cách AI có thể nâng cao các khía cạnh khác nhau của lĩnh vực này.
Thuật toán AI có thể cải thiện khả năng phân tích xuất bản trong thư mục [21, 22, 32, 33, 67]. Bằng cách tự động trích xuất siêu dữ liệu từ các ấn phẩm khoa học, chẳng hạn như tên tác giả, liên kết, trích dẫn và từ khóa, kỹ thuật AI có thể hợp lý hóa quy trình thu thập dữ liệu và cải thiện độ chính xác [21, 22, 32, 33, 49, 67]. Việc tự động hóa này cho phép các nhà nghiên cứu phân tích khối lượng xuất bản lớn hơn, tạo điều kiện thuận lợi cho việc phân tích trắc lượng thư mục toàn diện [21, 22, 32, 33, 67].
Kỹ thuật AI có thể tăng cường phân tích trích dẫn trong đo lường thư mục. Các thuật toán AI có thể tự động xác định và phân tích các mẫu trích dẫn, chẳng hạn như đồng trích dẫn và ghép thư mục [22, 24, 28, 31, 34, 68]. Các thuật toán này cũng có thể xác định các mạng và cụm trích dẫn, cung cấp cái nhìn sâu sắc về mối quan hệ giữa các ấn phẩm khoa học [22, 24, 28, 31, 34, 68]. Phân tích này giúp các nhà nghiên cứu hiểu được ảnh hưởng và tác động của công việc học thuật [24, 31, 34].
Các thuật toán AI có thể hỗ trợ việc định hướng tác giả, một nhiệm vụ quan trọng trong đo lường thư mục [28, 30, 70-72]. Bằng cách phân tích các yếu tố khác nhau, chẳng hạn như tên tác giả, liên kết và lịch sử xuất bản, kỹ thuật AI có thể xác định và phân biệt chính xác các tác giả có tên tương tự [30, 72]. Việc phân định rõ ràng này đảm bảo ghi công chính xác cho công trình nghiên cứu và cải thiện độ tin cậy của các phân tích trắc lượng thư mục [28, 30, 71, 72].
Các kỹ thuật AI, chẳng hạn như học máy và khai thác dữ liệu, có thể được sử dụng để phát triển các mô hình dự đoán trong trắc lượng thư mục [50, 51, 55, 56]. Những mô hình này có thể dự báo xu hướng xuất bản trong tương lai, xác định các lĩnh vực nghiên cứu mới nổi và dự đoán tác động của nghiên cứu [50, 51, 54, 55]. Bằng cách phân tích các mô hình và mối quan hệ trong các bộ dữ liệu thư mục lớn, thuật toán AI có thể cung cấp những hiểu biết có giá trị về hướng nghiên cứu khoa học trong tương lai [54-56].
Các thuật toán AI có thể phân tích mạng lưới cộng tác giữa các nhà nghiên cứu về trắc lượng thư mục. Bằng cách phân tích các mô hình đồng tác giả, liên kết và hợp tác nghiên cứu, kỹ thuật AI có thể xác định các nhà nghiên cứu, nhóm nghiên cứu và tổ chức có ảnh hưởng. Phân tích này không chỉ giúp các nhà nghiên cứu hiểu được động lực của sự hợp tác mà còn được kỳ vọng sẽ thúc đẩy nghiên cứu liên ngành, bên cạnh các liên kết thông thường hơn.
Kỹ thuật AI có thể tăng cường đánh giá nghiên cứu trong đo lường thư mục. Bằng cách xem xét các yếu tố khác nhau ngoài số lượng trích dẫn truyền thống, chẳng hạn như lượt đề cập trên mạng xã hội, lượt tải xuống và mức độ đưa tin trên phương tiện truyền thông, thuật toán AI có thể cung cấp các số liệu toàn diện hơn để đánh giá tác động của nghiên cứu. Đánh giá toàn diện này giúp các nhà nghiên cứu, tổ chức và cơ quan tài trợ đưa ra quyết định sáng suốt và phân bổ nguồn lực một cách hiệu quả.
Hơn nữa, các thuật toán AI được cải tiến hoặc được viết cụ thể có thể hỗ trợ phát hiện các trường hợp sai trái trong khoa học và chứng minh hành vi đạo văn và ngụy tạo dữ liệu.
Nói một cách chính xác, những phát hiện trong Bảng 3 chứng minh rằng AI có tiềm năng tăng cường đáng kể việc đo lường thư mục. Bằng cách cải thiện phân tích xuất bản, phân tích trích dẫn, phân biệt tác giả, mô hình dự đoán, phân tích cộng tác và đánh giá nghiên cứu, thuật toán AI trao quyền cho các nhà nghiên cứu tiến hành phân tích trắc lượng thư mục toàn diện và chính xác hơn. Những tiến bộ này góp phần hiểu biết sâu sắc hơn về giao tiếp học thuật, tác động nghiên cứu và động lực hợp tác trong cộng đồng khoa học.
Bài viết này có sẵn trên arxiv theo giấy phép CC BY 4.0 DEED.