„KI-Algorithmen können große Mengen wissenschaftlicher Publikationen analysieren und wertvolle Informationen extrahieren“

Linktabelle

Zusammenfassung und Einleitung

Materialen und Methoden

Ergebnisse

RQ 1: KI und Szientometrie

RQ 2: KI und Webometrie

RQ 3: KI und Bibliometrie

Diskussion

RQ 4: Zukunft der Szientometrie, Webometrie und Bibliometrie mit KI

RQ 5: Ethische Überlegungen zur Szientometrie, Webometrie und Bibliometrie mit KI

Schlussfolgerung, Einschränkungen und Referenzen

RQ 1: KI und Szientometrie

In der Szientometrie kann KI verschiedene spezifische Vorteile bieten, darunter Publikationsanalyse, Zitationsanalyse, Vorhersage von Forschungsauswirkungen, Kollaborationsanalyse, Forschungstrendanalyse und Wissensmapping. Die Vorteile von KI in diesen sechs Teilbereichen (Abbildung 2) wurden z. B. in [21-31] diskutiert.

Diese 12 Studien zeigen die potenziellen Vorteile und Strategien für die Nutzung von KI-Funktionen in der Szientometrie. Wie KI die Qualität, Zugänglichkeit und Datenerfassungsprozesse in szientometrischen Analysen verbessern kann, wird in Tabelle 1 weiter hervorgehoben.

Der Hauptpunkt ist, dass KI-Algorithmen große Mengen wissenschaftlicher Publikationen analysieren und wertvolle Informationen wie Autoren- und Co-Autorennamen, Zugehörigkeiten, Schlüsselwörter und Zitate extrahieren können [21, 22]. Dadurch können Forscher Einblicke in Publikationsmuster, Forschungsnetzwerke und Kooperationen innerhalb eines bestimmten wissenschaftlichen Bereichs gewinnen [32, 33].

Darüber hinaus können KI-Algorithmen Zitationsnetzwerke analysieren, um die Wirkung und den Einfluss wissenschaftlicher Arbeiten sowie die Beziehungen zwischen verschiedenen Forschungsarbeiten zu ermitteln [22, 24, 31]. Forscher können diese Methode nutzen, um häufig zitierte und einflussreiche Arbeiten zu identifizieren – sogar schlafende Schönheiten [34] – und um die Dynamik der Verbreitung wissenschaftlicher Erkenntnisse zu verstehen.

Interessanterweise können KI-Techniken eingesetzt werden, um die Auswirkungen wissenschaftlicher Forschung auf der Grundlage verschiedener Faktoren wie dem Ruf des Autors, der Qualität der Zeitschrift und Zitiermustern vorherzusagen [27]. Durch die Analyse historischer Daten können KI-Modelle Einblicke in die potenziellen Auswirkungen der Forschung geben, sodass Forscher und Institutionen die beste Vorgehensweise bestimmen können.

Co-Autorennetzwerke können durch KI analysiert werden, um Forschungskooperationen zu identifizieren und zu verstehen [28, 30]. Durch die Analyse der Publikationshistorie, der Autorenzugehörigkeiten und der Co-Autorenmuster kann KI Forschern helfen, potenzielle Kollaborateure und Forschungsnetzwerke zu identifizieren und so eine bessere Zusammenarbeit und einen besseren Wissensaustausch zu ermöglichen.

Um neue Forschungstrends und -themen zu erkennen, kann KI umfangreiche wissenschaftliche Literatur analysieren [23, 26, 35]. Durch die Verwendung von Techniken der natürlichen Sprachverarbeitung können KI-Algorithmen beispielsweise automatisch Schlüsselwörter, Themen und Trends aus wissenschaftlichen Veröffentlichungen extrahieren und Forschern so dabei helfen, neue Forschungsrichtungen zu erkennen und über die neuesten Fortschritte in ihrem Fachgebiet auf dem Laufenden zu bleiben.

„Schließlich“ kann KI die wissenschaftliche Wissenslandschaft abbilden, indem sie die Beziehungen zwischen verschiedenen wissenschaftlichen Arbeiten, Schlüsselwörtern und Konzepten analysiert [25, 29]. Diese Visualisierung erleichtert nicht nur die Literaturrecherche, die Hypothesenentwicklung und die Forschungsplanung, sondern ermöglicht es Forschern auch, die Struktur und Entwicklung des Wissens innerhalb eines bestimmten Forschungsbereichs zu visualisieren und zu verstehen.