Авторы:
(1) Хамид Реза Саидния, факультет информатики и исследований знаний, Университет Тарбиат Модарес, Тегеран, Исламская Республика Иран;
(2) Элахе Хоссейни, факультет информатики и исследований знаний, факультет психологии и педагогических наук, Университет Альзахра, Тегеран, Исламская Республика Иран;
(3) Шади Абдоли, факультет информатики, Монреальский университет, Монреаль, Канада
(4) Марсель Ауслоос, Школа бизнеса, Лестерский университет, Лестер, Великобритания и Бухарестский университет экономических исследований, Бухарест, Румыния.
Вопрос 4: Будущее наукометрики, вебометрики и библиометрики с искусственным интеллектом
Вопрос 5: Этические аспекты наукометрии, вебометрики и библиометрии с использованием ИИ
Заключение, ограничения и ссылки
Наше исследование включало в себя проведение тщательного обзора существующей литературы для изучения различных аспектов и нескольких показателей, связанных с использованием искусственного интеллекта в наукометрике, вебометрике и библиометрии. На протяжении всей подготовки этой рукописи мы придерживались контрольного списка PRISMA-ScR и следовали рекомендуемым рекомендациям по составлению систематических обзоров [19]. Важно отметить, что эта рукопись ранее не была зарегистрирована в ПРОСПЕРО или какой-либо аналогичной базе данных. Мы хотим подчеркнуть, что хотя регистрация PROSPERO обычно связана с систематическими обзорами, мы приняли сознательное решение не регистрировать этот конкретный обзор. Это решение основано на масштабах нашей проверки, которые не совсем соответствуют критериям отбора PROSPERO, а также на практичности в рамках ограничений нашего проекта. Мы хотим заверить читателей, что наш процесс поиска и отбора литературы соответствует строгой методологии, а наши результаты публикуются прозрачно, чтобы устранить любые опасения, связанные с достоверностью.
Вопросы исследования
«Как передовые методы наукометрии с использованием искусственного интеллекта способствуют оценке исследований и оценке их воздействия?»
«Какие достижения были достигнуты в вебометрике с использованием искусственного интеллекта и как они улучшают понимание веб-информации и поведения пользователей в Интернете?»
«Каким образом передовые методы библиометрии с использованием искусственного интеллекта революционизируют анализ и измерение научных публикаций и их влияние?»
• Кроме того, мы ищем ответы на следующие вопросы:
«Какое будущее ждет наукометрику, вебометрику и библиометрику с искусственным интеллектом?»
«Какие этические соображения необходимо учитывать при использовании ИИ в наукометрике, вебометрике и библиометрике?»
Критерии включения и исключения
В процессе выбора исследования мы внедрили определенные критерии для выявления соответствующих статей из базы данных. Мы рассматривали различные типы статей, исключая систематические обзорные статьи, поскольку наша цель — сконцентрироваться на оригинальных научных исследованиях, и метаанализы, поскольку они часто имеют свои собственные критерии включения и исключения, которые могут отличаться от наших. Отобранные статьи должны были сосредоточиться на использовании ИИ для преобразования измерения и анализа научной коммуникации, выявления новых тенденций исследований и оценки влияния научных публикаций. Следовательно, из обзора исключаются статьи, посвященные исключительно анализу научной коммуникации и влиянию научных публикаций, не имеющих никакого отношения к ИИ. Благодаря применению этих критериев мы гарантируем, что выбранные исследования непосредственно будут посвящены анализу методов с использованием искусственного интеллекта в области наукометрики, вебометрики и библиометрии, что позволяет нам обеспечить целенаправленный и целенаправленный анализ наших исследований.
Базы данных и метод поиска
Мы провели поиск в нескольких базах данных, включая ProQuest (LISTA и IBSS), EBSCO (LISTA), IEEE Explore, Web of Science и Scopus, чтобы выявить соответствующие исследования. Поиск был ограничен статьями, опубликованными в период с 1 января 2000 г. по сентябрь 2022 г., чтобы охватить самую свежую литературу, связанную с целями нашего исследования. Чтобы обеспечить комплексную стратегию поиска, мы использовали комбинацию широких поисковых запросов и провели вложенный поиск [20]. Стратегия поиска предполагала использование ключевых слов, имеющих отношение к теме нашего исследования, включая варианты и синонимы для максимального охвата. Например, в Scopus наша строка поиска включала такие термины, как «ИИ» ИЛИ «Искусственный интеллект» И «Наукометрика» ИЛИ «Вебометрика» ИЛИ «Библиометрия» или их варианты. Включив эти ключевые слова и используя логические операторы для их объединения, наша цель состояла в том, чтобы найти статьи, посвященные влиянию, эффективности и оценке технологий здравоохранения или интеллектуального здравоохранения. Конкретные условия поиска и строки могли немного отличаться для каждой базы данных, но имели схожую структуру.
Выбор исследования
Процесс отбора исследований состоял из двух этапов для выявления статей, соответствующих нашим критериям включения. Первоначально два независимых рецензента (HRS и EH) проверили названия и аннотации выявленных статей, чтобы определить их соответствие нашему исследовательскому вопросу и критериям включения. Любые разногласия между рецензентами разрешались путем обсуждения и консенсуса. Если разногласия сохранялись, в качестве арбитра привлекался третий рецензент (МА). Третий рецензент тщательно изучил рассматриваемые статьи и внес свой вклад для достижения консенсуса. Такой подход гарантировал, что окончательный отбор статей основывался (и происходит) на коллективном договоре.
Оценка качества исследования
Оценка качества включенных обзоров была проведена двумя исследователями (HR.S. и EH) с использованием Контрольного списка систематического обзора CASP (Приложение 1). Мы разрешили любые разногласия путем обсуждения и достигли консенсуса относительно качества каждого исследования.
Структура кодирования для анализа выбранных статей
Для обеспечения систематического и последовательного анализа выбранных статей была разработана и применена система кодирования. Система кодирования состояла из нескольких ключевых категорий и критериев, которые определяли процесс анализа. Ниже приводится обзор используемой структуры кодирования:
1. Категория 1: Методология исследования.
- Критерии: Определите методологию исследования, использованную в каждой статье (например, экспериментальная, обзорная, тематического исследования и т. д.).
2. Категория 2: Приложения искусственного интеллекта
- Критерии: определите конкретные применения искусственного интеллекта, обсуждаемые или используемые в каждой статье (например, машинное обучение, обработка естественного языка, интеллектуальный анализ данных и т. д.).
3. Категория 3: Метрики и меры
- Критерии: фиксируйте различные метрики и меры, используемые или предлагаемые в статьях для оценки воздействия или эффективности приложений ИИ в наукометрике, вебометрике и библиометрике.
4. Категория 4: Этические соображения
- Критерии: Определите любые этические соображения или последствия, обсуждаемые в отношении приложений ИИ в выбранных статьях.
5. Категория 5: Будущие последствия
- Критерии: Изучите дискуссии или прогнозы относительно будущих последствий и потенциальных разработок, связанных с использованием ИИ в наукометрии, вебометрике и библиометрии.
В ходе анализа два независимых исследователя кодировали каждую статью с использованием этой структуры. Любые расхождения или разногласия в кодировании разрешались путем обсуждения и консенсуса. Надежность интеркодера оценивалась путем расчета коэффициента каппа Коэна, который дал существенный уровень согласия 0,85. Используя эту структуру кодирования, мы стремились обеспечить всесторонний анализ выбранных статей и обеспечить последовательность в оценке соответствующих аспектов. Процесс кодирования позволил систематически изучать методологию исследования, приложения ИИ, показатели, этические соображения и будущие последствия, обсуждаемые в каждой статье.
Этот документ доступен на arxiv под лицензией CC BY 4.0 DEED.