"AI có thể tăng cường quá trình thu thập, phân tích, dự đoán và đánh giá dữ liệu"

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 đối với Đo lường khoa học, Đo lường web và Đo lường thư mục với AI

Kết luận, hạn chế và tài liệu tham khảo

Phần kết luận

Trong báo cáo này, chúng tôi nhấn mạnh tầm quan trọng và tiềm năng của việc tích hợp các thuật toán AI với scientometrics, webometrics và bibliometrics, thông qua nhiều ví dụ trong tài liệu. Sự thay đổi mô hình mà thuật toán AI trải qua trong các lĩnh vực này đã được chứng minh là đã tiết lộ những khả năng mới về phân tích, dự đoán và đề xuất dựa trên khai thác mẫu. Trong bài đánh giá này, bài viết góp phần nhấn mạnh những triển vọng và giá trị nổi bật của việc tích hợp AI trong khoa học trắc lượng, trắc lượng web và trắc lượng thư mục, tức là biểu thị sức mạnh tổng hợp có thể đạt được và thúc đẩy thông qua sự tích hợp này.

Tóm lại, AI hỗ trợ khoa học bằng cách cung cấp các phương pháp hiệu quả và chính xác để phân tích và rút ra những hiểu biết sâu sắc từ các ấn phẩm khoa học, mạng trích dẫn và các mối quan hệ hợp tác. Điều này sẽ cho phép các nhà nghiên cứu hiểu sâu hơn về kiến thức, xu hướng và tác động khoa học, tạo điều kiện thuận lợi cho việc ra quyết định tốt hơn và tiến bộ trong nghiên cứu khoa học. Hơn nữa, AI tăng cường đo lường web bằng cách cung cấp các phương pháp hiệu quả và tự động để phân tích dữ liệu khoa học dựa trên web, hiểu cấu trúc liên kết và tương tác xã hội, đánh giá tác động của web và đưa ra các đề xuất được cá nhân hóa. Điều này cho phép các nhà nghiên cứu hiểu rõ hơn về hệ sinh thái khoa học dựa trên web, tạo điều kiện hợp tác và cải thiện khả năng hiển thị cũng như tác động của nghiên cứu trong thời đại kỹ thuật số. Ngoài ra, AI còn tăng cường lĩnh vực hoạt động đo lường thư mục bằng cách tự động thu thập dữ liệu, cung cấp thông tin chính xác về tác giả, phân tích mạng lưới trích dẫn, đánh giá tác động của nghiên cứu và đưa ra các đề xuất được cá nhân hóa. Điều này cho phép các nhà nghiên cứu hiểu rõ hơn về giao tiếp học thuật, đánh giá hiệu quả nghiên cứu và đưa ra quyết định sáng suốt trong các phân tích đo lường thư mục của họ. Nhìn chung, AI trình bày một cách tiếp cận hiệu quả và có thể mở rộng đối với khoa học trắc lượng, trắc lượng web và trắc lượng thư mục, cho phép các nhà nghiên cứu rút ra những hiểu biết sâu sắc có ý nghĩa từ các nguồn thông tin khoa học rộng lớn và đa dạng.

Tóm lại, việc tích hợp trí tuệ nhân tạo (AI) vào khoa học trắc lượng, trắc lượng web và trắc lượng thư mục có tiềm năng đáng kể để thúc đẩy nghiên cứu và hiểu biết trong các lĩnh vực này. AI có thể tăng cường quá trình thu thập, phân tích, dự đoán và đánh giá dữ liệu, cung cấp cho các nhà nghiên cứu những hiểu biết có giá trị và cải thiện quá trình ra quyết định.

Tuy nhiên, việc sử dụng AI trong các lĩnh vực này cũng đặt ra những cân nhắc quan trọng về mặt đạo đức cần phải được giải quyết cẩn thận. Quyền riêng tư và bảo mật dữ liệu, sự thiên vị và công bằng, tính minh bạch và khả năng giải thích, trách nhiệm giải trình và trách nhiệm, sự đồng ý có hiểu biết, tác động đến việc làm và xã hội cũng như giám sát và đánh giá liên tục là một trong những cân nhắc đạo đức quan trọng cần được tính đến. Để đảm bảo việc sử dụng AI có trách nhiệm và có đạo đức, sự hợp tác liên ngành, sự tham gia của các bên liên quan và đánh giá liên tục là rất quan trọng. Các nhà nghiên cứu, nhà hoạch định chính sách, nhà đạo đức học và các bên liên quan từ nhiều lĩnh vực khác nhau nên làm việc cùng nhau để phát triển các hướng dẫn, khuôn khổ và phương pháp thực hành tốt nhất nhằm thúc đẩy việc sử dụng AI có đạo đức trong khoa học trắc lượng, trắc lượng web và trắc lượng thư mục. Bằng cách giải quyết những cân nhắc về đạo đức này, chúng ta có thể khai thác toàn bộ tiềm năng của AI để nâng cao kiến thức, cải thiện thực tiễn nghiên cứu và góp phần cải thiện xã hội đồng thời đảm bảo sự công bằng, minh bạch và trách nhiệm giải trình trong việc sử dụng các công nghệ này.

Hạn chế

Trong nghiên cứu cụ thể này, chúng tôi không đưa tài liệu xám vào quá trình tìm kiếm và đánh giá của mình cũng như không tìm kiếm thủ công trong Google Scholar. Thay vào đó, ý định của chúng tôi là tập trung vào việc tìm kiếm trong cơ sở dữ liệu đáng tin cậy. Mặc dù Google Scholar thường được gọi là cơ sở dữ liệu nhưng thực tế nó là một công cụ tìm kiếm có thể không bao gồm các bài viết chất lượng cao và chỉ có thể truy xuất các nghiên cứu đáng tin cậy. Bằng cách không tìm kiếm trong Google Scholar, chúng tôi mong muốn giảm thiểu số lượng nghiên cứu trùng lặp.

Tuy nhiên, điều quan trọng cần lưu ý là phương pháp tiếp cận mang tính kỹ thuật cao này có thể dẫn đến việc bỏ sót một số bài viết, điều đáng tiếc có thể khiến nghiên cứu của chúng tôi loại trừ thông tin liên quan. Chúng tôi cho rằng tính đến thời điểm viết và nộp bài viết này, chúng tôi đã tránh được nhiều thiếu sót. Tuy nhiên, đối với các nghiên cứu trong tương lai, có thể sẽ có ích nếu tiến hành đánh giá toàn diện bao gồm cả tài liệu xám để cung cấp cho người đọc một góc nhìn rộng hơn.

Người giới thiệu

1. Darko A, Chan AP, Adabre MA, Edwards DJ, Hosseini MR, Ameyaw EE. Trí tuệ nhân tạo trong ngành AEC: Phân tích khoa học và trực quan hóa các hoạt động nghiên cứu. Tự động hóa trong xây dựng. 2020;112:103081.

   
   

2. Công viên S, Công viên HW. Phân tích mạng webometric về các đặc điểm truyền miệng điện tử (eWOM) và phương pháp học máy đối với nhận xét của người tiêu dùng trong thời kỳ khủng hoảng. Thông tin chuyên nghiệp. 2020;29(5).

   
   

3. Van Raan A. Khoa học: Hiện đại. Khoa học. 1997;38(1):205-18.

   
   

4. Bharvi D, Garg K, Bali A. Scientometrics của tạp chí quốc tế Scientometrics. Khoa học. 2003;56(1):81-93.

   
   

5. Thelwall M, Vaughan L, Björneborn L. Webometrics. Đánh giá thường niên về khoa học và công nghệ thông tin. 2005;39(1):81-135.

   
   

6. Björneborn L, Ingwersen P. Quan điểm của webometrics. Khoa học. 2001;50:65-82.

   
   

7. McBurney MK, Novak PL, biên tập viên. Thư mục trắc lượng là gì và tại sao bạn nên quan tâm? Kỷ yếu hội thảo truyền thông chuyên nghiệp quốc tế IEEE; 2002: IEEE.

8. ID Cooper. Cơ bản về thư mục học. Tạp chí của Hiệp hội Thư viện Y khoa: JMLA. 2015;103(4):217.

   
   

9. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, và những người khác. Trí tuệ nhân tạo: Một mô hình mạnh mẽ cho nghiên cứu khoa học. Sự đổi mới. 2021;2(4).

   
   

10. Melnikova E. Công nghệ dữ liệu lớn trong tập hợp các phương pháp và phương tiện nghiên cứu khoa học trong khoa học lượng học hiện đại. Xử lý thông tin khoa học và kỹ thuật. 2022;49(2):102-7.

    
    

11. Tapeh ATG, Naser M. Trí tuệ nhân tạo, học máy và học sâu trong kỹ thuật kết cấu: đánh giá khoa học về các xu hướng và phương pháp hay nhất. Lưu trữ các phương pháp tính toán trong kỹ thuật. 2023;30(1):115-59.

    
    

12. Saeidnia H. Sử dụng ChatGPT làm Robot tham chiếu kỹ thuật số/thông minh: ChatGPT có thể tác động đến các dịch vụ tham chiếu kỹ thuật số như thế nào? Các vấn đề về thông tin. 2023;2(5).

    
    

13. Saeidnia H. Open AI, ChatGPT: Tồn tại hay không tồn tại, đó là câu hỏi. Các vấn đề về thông tin. 2023;3(6).

    
    

14. Yuan S, Shao Z, Wei X, Tang J, Hall W, Wang Y, và những người khác. Khoa học đằng sau AI: Sự phát triển của xu hướng, tính di động và hợp tác. Khoa học. 2020;124:993-1013.

    
    

15. Chaudhuri N, Gupta G, Vamsi V, Bose I. Trên nền tảng nhưng liệu họ có mua không? Dự đoán hành vi mua hàng của khách hàng bằng cách sử dụng deep learning. Hệ thống hỗ trợ quyết định. 2021;149:113622.

    
    

16. G. Martín A, Fernández-Isabel A, Martín de Diego I, Beltrán M. Một cuộc khảo sát về phân tích hành vi người dùng dựa trên kỹ thuật học máy: các mô hình và ứng dụng hiện tại. Trí tuệ ứng dụng. 2021;51(8):6029-55.

    
    

17. Nhân sự Saeidnia. Trí tuệ nhân tạo có đạo đức (AI): đối mặt với sự thiên vị và phân biệt đối xử trong ngành thông tin và thư viện. Thư viện Hi Tech News. 2023;trước khi in(trước khi in). doi: 10.1108/LHTN-10-2023-0182.

    
    

18. Hain D, Jurowetzki R, Lee S, Chu Y. Học máy và trí tuệ nhân tạo cho khoa học, công nghệ, lập bản đồ và dự báo đổi mới: Đánh giá, tổng hợp và ứng dụng. Khoa học. 2023;128(3):1465-72.

    
    

19. Tricco AC, Lillie E, Zarin W, O'Brien KK, Colquhoun H, Levac D, và cộng sự. Phần mở rộng PRISMA để đánh giá phạm vi (PRISMA-ScR): Danh sách kiểm tra và giải thích. Biên niên sử nội khoa. 2018;169(7):467-

20. Epub 2018/09/05. doi: 10.7326/m18-0850. PMID PubMed: 30178033.

    
    

21. Holzmann GJ, Peled DA, Yannakakis M. Về tìm kiếm theo chiều sâu lồng nhau đầu tiên. Hệ thống xác minh vòng quay. 1996;32:81-9.

    
    

22. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. Cách tiến hành phân tích trắc lượng thư mục: Tổng quan và hướng dẫn. Tạp chí nghiên cứu kinh doanh. 2021;133:285-96.

    
    

23. Caputo A, Kargina M. Một phương pháp thân thiện với người dùng để hợp nhất dữ liệu Scopus và Web of Science trong quá trình phân tích trắc lượng thư mục. Tạp chí phân tích tiếp thị. 2022;10(1):82-8.

    
    

24. Chen X, Chen J, Cheng G, Gong T. Các chủ đề và xu hướng trong trí tuệ nhân tạo đã hỗ trợ nghiên cứu về não bộ con người. XIN VUI LÒNG MỘT. 2020;15(4):e0231192.

    
    

25. Abrishami A, Aliakbary S. Dự đoán số lượng trích dẫn dựa trên kỹ thuật học mạng lưới thần kinh sâu. Tạp chí tin học. 2019;13(2):485-99.

    
    

26. Corea F, Corea F. Bản đồ kiến thức AI: Cách phân loại các công nghệ AI. Giới thiệu về dữ liệu: Mọi thứ bạn cần biết về AI, dữ liệu lớn và khoa học dữ liệu. 2019: 25-9.

    
    

27. Jebari C, Herrera-Viedma E, Cobo MJ. Việc sử dụng bối cảnh trích dẫn để phát hiện sự phát triển của các chủ đề nghiên cứu: một phân tích quy mô lớn. Khoa học. 2021;126(4):2971-89.

    
    

28. Ma A, Liu Y, Xu X, Dong T. Mô hình dự đoán số lượng trích dẫn dựa trên deep learning với các tính năng ngữ nghĩa siêu dữ liệu trên giấy. Khoa học. 2021;126(8):6803-23.

    
    

29. Maghsoudi M, Shokouhyar S, Ataei A, Ahmadi S, Shokoohyar S. Phân tích mạng lưới đồng tác giả về các ứng dụng AI trong chuỗi cung ứng bền vững: Những nhân vật và chủ đề chính. Tạp chí sản xuất sạch hơn. 2023;422:138472.

    
    

30. Pedro F, Subosa M, Rivas A, Valverde P. Trí tuệ nhân tạo trong giáo dục: Những thách thức và cơ hội phát triển bền vững. 2019.

    
    

31. Ullah M, Shahid A, Roman M, Assam M, Fayaz M, Ghadi Y, và những người khác. Phân tích nghiên cứu liên ngành bằng cách sử dụng mạng lưới đồng tác giả. Sự phức tạp. 2022;2022.

    
    

32. Zhao Q, Feng X. Sử dụng cấu trúc mạng trích dẫn để dự đoán số lượng trích dẫn trên giấy: Phương pháp học sâu. Tạp chí tin học. 2022;16(1):101235.

    
    

33. Saeidnia HR, Kozak M, Lund B, Mannuru NR, Keshavarz H, Elango B, et al. Thiết kế, phát triển, triển khai và đánh giá ứng dụng di động cho dịch vụ thư viện đại học: Nghiên cứu ở một quốc gia đang phát triển. Công nghệ thông tin và Thư viện. 2023;42(3).

    
    

34. Soleymani H, Saeidnia HR, Ausloos M, Hassanzadeh M. Phổ biến thông tin có chọn lọc (SDI) trong thời đại trí tuệ nhân tạo (AI). Thư viện Hi Tech News. 2023;trước khi in(trước khi in). doi: 10.1108/LHTN-08-2023-0156.

    
    

35. Fazeli-Varzaneh M, Ghorbi A, Ausloos M, Sallinger E, Vahdati S. Những người đẹp ngủ trong nghiên cứu về virus corona. Truy cập. 2021;9:21192-205.

    
    

36. Ceptureanu S, Cerqueti R, Alexandru A, Popescu D, Dhesi G, Ceptureanu E. Ảnh hưởng của việc áp dụng blockchain đến chuyển giao công nghệ, hiệu suất và tích hợp chuỗi cung ứng, tính linh hoạt và khả năng phản hồi. Một nghiên cứu điển hình từ các doanh nghiệp quy mô vừa về CNTT&C. Nghiên cứu về Tin học và Điều khiển. 2021;30(3):61-74.

    
    

37. Amjad S, Younas M, Anwar M, Shaheen Q, Shiraz M, Gani A. Kỹ thuật khai thác dữ liệu để phân tích tác động của mạng xã hội đến kết quả học tập của học sinh trung học. Truyền thông không dây và máy tính di động. 2022;2022:1-11.

    
    

38. Barclay I, Taylor H, Preece A, Taylor I, Verma D, de Mel G. Một khuôn khổ để thúc đẩy tính minh bạch trong các mô hình trí tuệ nhân tạo dùng chung bằng cách tăng cường khả năng hiển thị của những đóng góp. Đồng thời và tính toán: Thực hành và kinh nghiệm. 2021;33(19):e6129.

    
    

39. Grover P, Kar AK, Dwivedi YK. Tìm hiểu việc áp dụng trí tuệ nhân tạo trong quản lý hoạt động: hiểu biết sâu sắc từ việc xem xét tài liệu học thuật và các cuộc thảo luận trên mạng xã hội. Biên niên sử nghiên cứu hoạt động. 2022;308(1-2):177-213.

    
    

40. Khder MA. Quét Web hoặc Thu thập thông tin Web: Hiện trạng, Kỹ thuật, Phương pháp tiếp cận và Ứng dụng. Tạp chí quốc tế về những tiến bộ trong tính toán mềm và các ứng dụng của nó. 2021;13(3).

    
    

41. Maulud DH, Zeebaree SR, Jacksi K, Sadeeq MAM, Sharif KH. Trạng thái nghệ thuật để phân tích ngữ nghĩa của xử lý ngôn ngữ tự nhiên. Tạp chí học thuật Qubahan. 2021;1(2):21-8.

    
    

42. Serafini F, Reid SF. Phân tích nội dung đa phương thức: mở rộng các phương pháp phân tích để phân tích nội dung. Truyền thông trực quan. 2019:1470357219864133.

    
    

43. Serrano W. Mạng thần kinh trong dữ liệu lớn và tìm kiếm trên Web. Dữ liệu. 2018;4(1):7.

    
    

44. Wang W, Yu L. UCrawler: trình thu thập dữ liệu web dựa trên học tập sử dụng cơ sở kiến thức URL. Tạp chí phương pháp tính toán trong khoa học và kỹ thuật. 2021;21(2):461-74.

    
    

45. Wu L, Dodoo NA, Wen TJ, Ke L. Tìm hiểu các cuộc trò chuyện trên Twitter về trí tuệ nhân tạo trong quảng cáo dựa trên quá trình xử lý ngôn ngữ tự nhiên. Tạp chí quốc tế về quảng cáo. 2022;41(4):685-702.

    
    

46. Zhang Q, Lu J, Jin Y. Trí tuệ nhân tạo trong hệ thống gợi ý. Hệ thống phức tạp và thông minh. 2021;7(1):439-57. doi: 10.1007/s40747-020-00212-w.

    
    

47. Xu Y, Liu X, Cao X, Huang C, Liu E, Qian S, và những người khác. Trí tuệ nhân tạo: Một mô hình mạnh mẽ cho nghiên cứu khoa học. Sự đổi mới. 2021;2(4):100179. doi: https://doi.org/10.1016/j.xinn.2021.100179 .

    
    

48. Abramo G, D'Angelo CA. Các thuật toán định hướng tác giả không được giám sát đáng tin cậy đến mức nào trong việc đánh giá hiệu quả hoạt động của tổ chức nghiên cứu? Nghiên cứu khoa học định lượng. 2023: 1-26.

    
    

49. Al-Jamimi HA, BinMakhashen GM, Bornmann L. Sử dụng phép đo thư mục để đánh giá nghiên cứu ở các nền kinh tế thị trường mới nổi: xem xét và thảo luận về các chỉ số đo thư mục. Khoa học. 2022;127(10):5879-930.

    
    

50. Cox AM, Mazumdar S. Định nghĩa trí tuệ nhân tạo cho thủ thư. Tạp chí Khoa học Thông tin và Thư viện.0(0):09610006221142029. số: 10.1177/09610006221142029.

    
    

51. Eisenstein J. Giới thiệu về xử lý ngôn ngữ tự nhiên: Nhà xuất bản MIT; 2019.

    
    

52. Kang Y, Cai Z, Tan CW, Huang Q, Liu H. Xử lý ngôn ngữ tự nhiên (NLP) trong nghiên cứu quản lý: Đánh giá tài liệu. Tạp chí phân tích quản lý. 2020;7(2):139-72.

    
    

53. Loan FA, Nasreen N, Bashir B. Các tác giả chơi công bằng hay thao túng h-index của Google Scholar? Thư viện công nghệ cao. 2022;40(3):676-84.

    
    

54. Rehs A. Một phương pháp học máy có giám sát để phân định tác giả trên Web of Science. Tạp chí tin học. 2021;15(3):101166.

    
    

55. Mohammadzadeh Z, Ausloos M, Saeidnia HR. ChatGPT: đạo văn công nghệ cao đang chờ nhà xuất bản học thuật bật đèn xanh Mã thông báo không thể thay thế (NFT) có thể là một lối thoát. Thư viện Hi Tech News. 2023.

    
    

56. Saeidnia HR, Lund BD. Mã thông báo không thể thay thế (NFT): một cách an toàn và hiệu quả để ngăn chặn đạo văn trong xuất bản khoa học. Thư viện Hi Tech News. 2023;40(2):18-9.

    
    

57. Mrowinski MJ, Fronczak P, Fronczak A, Ausloos M, Nedic O. Trí tuệ nhân tạo trong đánh giá ngang hàng: Tính toán tiến hóa có thể hỗ trợ các biên tập viên tạp chí như thế nào? PloS một. 2017;12(9):e0184711.

    
    

58. Piva F, Tartari F, Giulietti M, Aiello MM, Cheng L, Lopez-Beltran A, và những người khác. Dự đoán gánh nặng ung thư trong tương lai ở Hoa Kỳ bằng mạng lưới thần kinh nhân tạo Ung thư tương lai. 2020;17(2):159-68.

    
    

59. Brewer R, Westlake B, Hart T, Arauza O. Đạo đức của việc thu thập thông tin web và quét web trong nghiên cứu tội phạm mạng: Điều hướng các vấn đề về sự đồng ý, quyền riêng tư và các tác hại tiềm ẩn khác liên quan đến việc thu thập dữ liệu tự động. Trong: Lavorgna A, Holt TJ, biên tập viên. Nghiên cứu tội phạm mạng: Phương pháp, đạo đức và cách tiếp cận phê phán. Chăm: Nhà xuất bản Quốc tế Springer; 2021. tr. 435-56.

    
    

60. Alaidi AHM, Roa'a M, ALrikabi H, Aljazaery IA, Abbood SH. Các hoạt động bất hợp pháp trên web đen thu thập dữ liệu và phân loại bằng kỹ thuật khai thác dữ liệu. iJIM. 2022;16(10):123.

    
    

61. Thomas DM, Mathur S, biên tập viên. Phân tích dữ liệu bằng cách quét web bằng python. Hội nghị quốc tế lần thứ 3 năm 2019 về Công nghệ điện tử, truyền thông và hàng không vũ trụ (ICECA); 2019: IEEE.

    
    

62. Korkmaz M, Sahingoz OK, Diri B, biên tập viên. Phát hiện các trang web lừa đảo bằng cách sử dụng phân tích URL dựa trên máy học. Hội nghị quốc tế lần thứ 11 năm 2020 về Công nghệ máy tính, truyền thông và mạng (ICCCNT); 2020: IEEE.

    
    

63. Yuan H, Chen X, Li Y, Yang Z, Liu W, biên tập viên. Phát hiện các trang web và mục tiêu lừa đảo dựa trên URL và liên kết trang web. Hội nghị quốc tế lần thứ 24 về nhận dạng mẫu (ICPR) năm 2018; 2018: IEEE.

    
    

64. Dutta AK. Phát hiện các trang web lừa đảo bằng kỹ thuật học máy. PloS một. 2021;16(10):e0258361.

    
    

65. Jalil S, Usman M, Fong A. Phát hiện URL lừa đảo có độ chính xác cao dựa trên công nghệ máy học. Tạp chí Trí tuệ xung quanh và Máy tính nhân bản. 2023;14(7):9233-51.

    
    

66. Kiesel J, Meyer L, Kneist F, Stein B, Potthast M, biên tập viên. So sánh thực nghiệm các thuật toán phân đoạn trang web. Hội nghị Châu Âu về Truy xuất Thông tin; 2021: Mùa xuân.

    
    

67. Balaji T, Annavarapu CSR, Bablani A. Thuật toán học máy để phân tích mạng xã hội: Một cuộc khảo sát. Đánh giá khoa học máy tính. 2021;40:100395.

    
    

68. Rietz T. Thiết kế hệ thống dựa trên AI để thu thập và phân tích dữ liệu định tính. 2021.

    
    

69. Nicholson JM, Mordaunt M, Lopez P, Uppala A, Rosati D, Rodrigues NP, và cộng sự. Scite: Chỉ mục trích dẫn thông minh hiển thị ngữ cảnh của các trích dẫn và phân loại mục đích của chúng bằng cách sử dụng deep learning. Nghiên cứu khoa học định lượng. 2021;2(3):882-98.

    
    

70. Mihaljević H, Santamaría L. Định hướng các thực thể tác giả trong ADS bằng cách sử dụng phương pháp lý thuyết đồ thị và học tập có giám sát. Khoa học. 2021;126(5):3893-917. doi: 10.1007/s11192-021-03951-w.

    
    

71. Tekles A, Bornmann L. Phân biệt tên tác giả của dữ liệu đo thư mục: So sánh một số phương pháp không giám sát1. Nghiên cứu khoa học định lượng. 2020;1(4):1510-28. doi: 10.1162/qss_a_00081.

    
    

72. Grodzinski N, Grodzinski B, Davies BM. Mạng lưới đồng tác giả có thể được sử dụng để dự đoán tác động nghiên cứu của tác giả không? Một phân tích dựa trên máy học trong lĩnh vực nghiên cứu bệnh thoái hóa tủy cổ. Xin một cái. 2021;16(9):e0256997.

    
    

73. Fonseca Bde P, Sampaio RB, Fonseca MV, Zicker F. Phân tích mạng lưới đồng tác giả trong nghiên cứu sức khỏe: phương pháp và tiềm năng sử dụng. Chính sách và hệ thống nghiên cứu sức khỏe. 2016;14(1):34. Epub 2016/05/04. doi: 10.1186/s12961-016-0104-5. PMID PubMed: 27138279; PMCID trung tâm PubMed: PMCPMC4852432.

    
    

74. Hancock JT, Naaman M, Levy K. Giao tiếp qua trung gian AI: Định nghĩa, chương trình nghiên cứu và những cân nhắc về đạo đức. Tạp chí Truyền thông qua Máy tính. 2020;25(1):89-100.

    
    

75. Safdar NM, Banja JD, Meltzer CC. Những cân nhắc về đạo đức trong trí tuệ nhân tạo. Tạp chí X quang Châu Âu. 2020;122:108768.

    
    

76. Pratomo AB, Mokodenseho S, Aziz AM. Kỹ thuật mã hóa và ẩn danh dữ liệu để nâng cao tính bảo mật và quyền riêng tư của hệ thống thông tin. Hệ thống thông tin và công nghệ khoa học phương Tây. 2023;1(01):1-9.

    
    

77. Ferrer X, van Nuenen T, Such JM, Coté M, Criado N. Thành kiến và phân biệt đối xử trong AI: góc nhìn đa ngành. Tạp chí Xã hội và Công nghệ IEEE. 2021;40(2):72-80.

    
    

78. Ferrara E. Sự công bằng và thiên vị trong trí tuệ nhân tạo: Khảo sát ngắn gọn về các nguồn, tác động và chiến lược giảm thiểu. bản in trước arXiv arXiv:230407683. 2023.

    
    

79. Gichoya JW, Thomas K, Celi LA, Safdar N, Banerjee I, Banja JD, và những người khác. Những cạm bẫy của AI và những điều không nên làm: giảm thiểu sự thiên vị trong AI. Tạp chí X quang của Anh. 2023:20230023.

    
    

80. von Eschenbach WJ. Tính minh bạch và vấn đề hộp đen: Tại sao chúng ta không tin tưởng vào AI Triết học & Công nghệ. 2021;34(4):1607-22.

    
    

81. Yazdanpanah V, Gerding EH, Stein S, Dastani M, Jonker CM, Norman TJ, và những người khác. Lý luận về trách nhiệm trong các hệ thống tự trị: thách thức và cơ hội. AI & XÃ HỘI. 2023;38(4):1453-64.