Руководство SciMaps
Библиометрическая интерпретация с помощью ИИ
Опубликовано SciMaps · Обновлено
Различайте вычисленные библиометрические результаты и созданную интерпретацию, проверяйте данные и изучайте поддерживаемые процессы SciMaps с использованием ИИ.
Разделяйте вычисленные результаты и созданную интерпретацию
Вычисленные библиометрические результаты получаются из выбранных записей с помощью метода анализа: подсчёты, связи сети, кластеры или другие отображаемые показатели. Текст с помощью ИИ — это созданная интерпретация доступного контекста анализа. Он помогает формулировать вопросы и готовить черновик обобщения, но связный текст не подтверждает утверждение.
Разберитесь в трёх рабочих процессах
- AI Insights — вкладка в поддерживаемых видах анализа: Descriptives, Co-authorship, Keyword Co-occurrence, Co-citation, Bibliographic Coupling и Direct Citation. В Thematic Map и Trends этой вкладки AI Insights нет.
- Selected Paper Insights отображает вычисленные исследовательские признаки. Действие Show rationale предоставляет дополнительные пояснения ИИ к этим признакам; это отдельный процесс.
- Исследовательские отчёты могут предлагать дополнительный раздел Analysis Insights в поддерживаемых параметрах формирования. Проверяйте фактически доступные параметры, не предполагая, что каждый отчёт содержит одинаковый материал ИИ.
Доступность ИИ зависит от данных анализа и настроенных сервисов. Недоступность или ошибка генерации не делает вычисленный анализ недостоверным; проверьте, какие данные и результаты действительно присутствуют.
Практическая последовательность действий
- Определите и выберите подходящую коллекцию, затем выполните поддерживаемый вид анализа.
- Сначала изучите вычисленные результаты, охват и методологические пояснения.
- При наличии откройте соответствующий процесс с ИИ. Отделяйте созданные утверждения от наблюдаемых показателей.
- Для каждого существенного утверждения изучите исходные записи и подтверждающие публикации. Независимо проверьте идентификаторы и ссылки; уточните или удалите неподтверждённые утверждения.
- Внимательно проверьте формулировки о причинности, качестве, новизне и будущих направлениях, прежде чем использовать текст в своей работе.
Иллюстративный пример
Предположим, выбранный анализ ключевых слов показывает кластер «adaptation». Созданный абзац называет его «самым перспективным направлением будущего». Кластер — вычисленный структурный результат, а прогноз — созданная интерпретация. Проверяющий должен изучить термины, соответствующие публикации, охват и настройки, затем удалить прогноз или уточнить его, если он не подкреплён независимыми данными.
Полезная заметка по проверке могла бы звучать так: «Эти термины образуют кластер в выбранной коллекции при зафиксированных настройках; для оценки их исследовательского значения нужно дальнейшее чтение». Это придуманный пример проверки, а не реальный ответ ИИ.
Пример для отдельного исследователя
Аспирант выбирает определённую коллекцию из 45 подходящих публикаций, изучает вычисленную сеть Co-citation и использует AI Insights для подготовки вопросов к чтению. Он сверяет каждое содержательное утверждение с записями и оригинальными публикациями перед написанием главы обзора литературы.
Пример для организации
Команда библиотеки выбирает определённую коллекцию из 160 публикаций, соответствующих теме и годам, для семинара. Она сверяет обобщение, созданное с помощью ИИ, с вычисленными результатами Descriptives и исходными записями, документируя охват и правки человека. Результат помогает обсуждению в заданных границах, а не является полной оценкой организации или автоматическим суждением о научной результативности.
Ограничения
Созданный текст может упускать контекст, искажать отношения или содержать неподтверждённые утверждения и ссылки. Он не исправляет отсутствующие метаданные и не доказывает открытие. Защищайте конфиденциальную информацию и соблюдайте правила своей организации перед использованием процессов с ИИ. Фиксируйте коллекцию, настройки анализа и решения проверки, чтобы читатели могли отличить данные от интерпретации.
Литература
- NIST (2024), Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — подход к проверке рисков генеративного ИИ.
- Hicks и соавторы (2015), The Leiden Manifesto for research metrics — экспертное суждение и прозрачная оценка исследований.
Связанные инструменты
Связанные руководства
Попробуйте этот процесс в SciMaps
Соберите коллекцию в проекте и выберите источники для анализа.
Создать аккаунтСоздайте аккаунт и пройдите проверку, чтобы начать пользоваться SciMaps. У вас уже есть доступ? Войти в SciMaps.