Тематична структура потоку зарубіжних статей з проблем застосування технологій штучного інтелекту в бібліотечноінформаційній галузі: 2019–2023 рр.
DOI:
https://doi.org/10.31516/2410-5333.065.03Ключові слова:
бібліотечно-інформаційне виробництво, штучний інтелект, наукометрія, цифрова лінгвістика, великі дані, історико-культурна спадщина, зарубіжне бібліотекознавствоАнотація
Для реалізації цього дослідження було відібрано 20% найвпливовіших зарубіжних журналів, що індексуються в міжнародній наукометричній базі Scopus, які у 2019–2023 рр. мали статті, присвячені застосуванню штучного інтелекту (ШІ) в бібліотечно-інформаційній сфері. Контент-аналіз цих статей дозволив визначити сучасну тематичну структуру потоку зарубіжних наукових публікацій, присвячених можливостям запровадження ШІ в бібліотечному виробництві. Основними темами, над якими найактивніше працюють зарубіжні вчені, є застосування можливостей ШІ в: цифровій лінгвістиці (20%), наукометрії та альтметрії (45,7%), інтеграції з Big Data для забезпечення якості даних (5,7%), дослідженнях історико-культурної спадщини (11,4%) та інтеграції технологій ШІ в бібліотечне виробництво (17,1%). Результати проведеного дослідження дозволяють з’ясувати стан розробленості проблем ШІ в зарубіжному бібліотекознавстві, визначити методики інтеграції технологій ШІ в сучасне бібліотечне виробництво.
Посилання
Demianiuk, L. M. (2022). Artificial intelligence in library practice: foreign experience. In O. M. Vasylenko et al. (Eds.), Library. Science. Communication. Innovative transformations of resources and services, Proceedings of the international scientific conference (Kyiv, October 04–06, 2022). Vernadsky National Library of Ukraine, 33–35. http://irbis-nbuv.gov.ua/everlib/item/er-0004349. [In Ukrainian].
Ivashkevych, O. (2023). Artificial intelligence in the acoustics of the functioning of libraries in Ukraine. Bibliotekoznavstvo. Dokumentoznavstvo. Informolohiia, (2), 97–101. https://doi.org/10.32461/2409-9805.2.2023.284672. [In Ukrainian].
Maranchak, N. (2023). Digital platform: information technology in the socio-cultural sphere. Tsyfrova platforma: informatsiini tekhnolohii v sotsiokulturnii sferi, 6 (1), 172–184. https://doi.org/10.31866/2617-796x.6.1.2023.283986. [In Ukrainian].
Abrishami, A., & Aliakbary, S. (2019). Predicting citation counts based on Deep Neural Network Learning Techniques. Journal of Informetrics, 13(2), 485–499. https://doi.org/10.1016/j.joi.2019.02.011. [In English].
Boukhers, Z., & Asundi, N. B. (2023). Deep author name disambiguation using DBLP Data. International Journal on Digital Libraries. https://doi.org/10.1007/s00799-023-00361-6. [In English].
Chen, G., Chen, J., Shao, Y., & Xiao, L. (2022). Automatic noise reduction of domain-specific bibliographic datasets using positive-unlabeled learning. Scientometrics, 128 (2), 1187–1204. https://doi.org/10.1007/s11192-022-04598-x. [In English].
Chi, Y., Tang, X., & Liu, Y. (2022). Exploring the “Awakening effect” in knowledge diffusion: A case study of publications in the Library and Information Science Domain. Journal of Informetrics, 16(4), 101342. https://doi.org/10.1016/j.joi.2022.101342. [In English].
Feng, L., Zhou, J., Liu, S.-L., Cai, N., & Yang, J. (2020). Analysis of Journal Evaluation Indicators: An experimental study based on unsupervised laplacian score. Scientometrics, 124 (1), 233–254. https://doi.org/10.1007/s11192-020-03422-8. [In English].
Gruss, R., Abrahams, A., Song, Y., Berry, D., & Al‐Daihani, S. M. (2019). Community building as an effective user engagement strategy: A case study in academic libraries. Journal of the Association for Information Science and Technology, 71 (2), 208–220. https://doi.org/10.1002/asi.24218. [In English].
Hartmann, J., & Van Keuren, L. (2019). Text mining for clinical support. Journal of the Medical Library Association, 107 (4). https://doi.org/10.5195/jmla.2019.758. [In English].
Hou, J., Wang, D., & Li, J. (2022). A new method for measuring the originality of academic articles based on knowledge units in Semantic Networks. Journal of Informetrics, 16 (3), 101306. https://doi.org/10.1016/j.joi.2022.101306. [In English].
Hou, J., Zheng, B., Wang, D., Zhang, Y., & Chen, C. (2023). How boundary-spanning paper sparkles citation: From citation count to citation network. Journal of Informetrics, 17 (3), 101434. https://doi.org/10.1016/j.joi.2023.101434. [In English].
Ihsan, I., & Qadir, M. A. (2021). An NLP-based citation reason analysis using CCRO. Scientometrics, 126 (6), 4769–4791. https://doi.org/10.1007/s11192-021-03955-6. [In English].
Kim, J., Kim, J., & Kim, J. (2021). Effect of Chinese characters on machine learning for Chinese author name Disambiguation: A counterfactual evaluation. Journal of Information Science, 49 (3), 711–725. https://doi.org/10.1177/01655515211018171. [In English].
Lastilla, L., Ammirati, S., Firmani, D., Komodakis, N., Merialdo, P., & Scardapane, S. (2022). Self-supervised learning for medieval handwriting identification: A case study from the Vatican Apostolic Library. Information Processing & Management, 59 (3), 102875. https://doi.org/10.1016/j.ipm.2022.102875. [In English].
Li, W., & Suzuki, E. (2021). Adaptive and hybrid context-aware fine-grained word sense disambiguation in topic modeling based document representation. Information Processing & amp; Management, 58 (4), 102592. https://doi.org/10.1016/j.ipm.2021.102592. [In English].
Linhares Pontes, E., Cabrera-Diego, L. A., Moreno, J. G., Boros, E., Hamdi, A., Doucet, A., Sidere, N., & Coustaty, M. (2021). Melhissa: A multilingual entity linking architecture for Historical Press Articles. International Journal on Digital Libraries, 23 (2), 133–160. https://doi.org/10.1007/s00799-021-00319-6. [In English].
Liu, Q. (2022). Text complexity analysis of Chinese and foreign academic English writing via mobile devices based on neural network and Deep Learning. Library Hi Tech, 41 (5), 1317–1332. https://doi.org/10.1108/lht-11-2021-0383. [In English].
Liu, Y., Zhang, L., & Lian, X. (2020). A document-structure-based complex network model for extracting text keywords. Scientometrics, 124 (3), 1765–1791. https://doi.org/10.1007/s11192-020-03542-1. [In English].
Lorenzini, M., Rospocher, M., & Tonelli, S. (2021). Automatically evaluating the quality of textual descriptions in Cultural Heritage Records. International Journal on Digital Libraries, 22 (2), 217–231. https://doi.org/10.1007/s00799-021-00302-1. [In English].
Lu, W., Huang, S., Yang, J., Bu, Y., Cheng, Q., & Huang, Y. (2021). Detecting research topic trends by author-defined keyword frequency. Information Processing & amp; Management, 58 (4), 102594. https://doi.org/10.1016/j.ipm.2021.102594. [In English].
Luo, Z., Lu, W., He, J., & Wang, Y. (2022). Combination of research questions and methods: A new measurement of scientific novelty. Journal of Informetrics, 16 (2), 101282. https://doi.org/10.1016/j.joi.2022.101282. [In English].
Nicholson, J. M., Mordaunt, M., Lopez, P., Uppala, A., Rosati, D., Rodrigues, N. P., Grabitz, P., & Rife, S. C. (2021). Scite: A smart citation index that displays the context of citations and classifies their intent using Deep Learning. Quantitative Science Studies, 2 (3), 882–898. https://doi.org/10.1162/qss_a_00146. [In English].
Organisciak, P., & Ryan, M. (2022). Improving text relationship modelling with Artificial Data. Journal of Information Science, 50 (2), 434–446. https://doi.org/10.1177/01655515221093031. [In English].
Pornprasit, C., Liu, X., Kiattipadungkul, P., Kertkeidkachorn, N., Kim, K.-S., Noraset, T., Hassan, S.-U., & Tuarob, S. (2022). Enhancing citation recommendation using Citation Network embedding. Scientometrics, 127 (1), 233–264. https://doi.org/10.1007/s11192-021-04196-3. [In English].
Ruan, X., Zhu, Y., Li, J., & Cheng, Y. (2020). Predicting the citation counts of individual papers via a BP Neural Network. Journal of Informetrics, 14 (3), 101039. https://doi.org/10.1016/j.joi.2020.101039. [In English].
Schuerkamp, R., Barrett, J., Bales, A., Wegner, A., & Giabbanelli, P. J. (2023). Enabling new interactions with library digital collections: Automatic gender recognition in historical postcards via Deep Learning. The Journal of Academic Librarianship, 49 (4), 102736. https://doi.org/10.1016/j.acalib.2023.102736. [In English].
Shi, X., Hao, C., Yue, D., & Lu, H. (2023). Library book recommendation with CNN-FM Deep Learning Approach. Library Hi Tech. https://doi.org/10.1108/lht-08-2022-0400. [In English].
Taskin, Z., & Al, U. (2019). Natural language processing applications in library and information science. Online Information Review, 43(4), 676–690. https://doi.org/10.1108/oir-07-2018-0217. [In English].
Tattershall, E., Nenadic, G., & Stevens, R. D. (2019). Detecting bursty terms in Computer Science Research. Scientometrics, 122 (1), 681–699. https://doi.org/10.1007/s11192-019-03307-5. [In English].
Tian, Y., Li, G., & Mao, J. (2023). Predicting the evolution of scientific communities by Interpretable Machine Learning Approaches. Journal of Informetrics, 17 (2), 101399. https://doi.org/10.1016/j.joi.2023.101399. [In English].
Walker, J., & Coleman, J. (2021). Using machine learning to predict chat difficulty. College & amp; Research Libraries, 82 (5), 683. https://doi.org/10.5860/crl.82.5.683. [In English].
Walker, K. W., & Jiang, Z. (2019). Application of adaptive boosting (AdaBoost) in demand-driven acquisition (DDA) prediction: A machine-learning approach. The Journal of Academic Librarianship, 45 (3), 203–212. https://doi.org/10.1016/j.acalib.2019.02.013. [In English].
Waqas, H., & Qadir, M. A. (2021). Multilayer heuristics based Clustering Framework (MHCF) for author name disambiguation. Scientometrics, 126 (9), 7637–7678. https://doi.org/10.1007/s11192-021-04087-7. [In English].
Wei, W., Liu, H., & Sun, Z. (2022). Cover papers of top journals are reliable source for emerging topics detection: A machine learning based prediction framework. Scientometrics, 127 (8), 4315–4333. https://doi.org/10.1007/s11192-022-04462-y. [In English].
Zhang, Xi, Wang, X., Zhao, H., Ordóñez de Pablos, P., Sun, Y., & Xiong, H. (2019). An effectiveness analysis of altmetrics indices for different levels of artificial intelligence publications. Scientometrics, 119 (3), 1311–1344. https://doi.org/10.1007/s11192-019-03088-x. [In English].
Zhang, Xinyuan, Xie, Q., & Song, M. (2021). Measuring the impact of novelty, bibliometric, and academic-network factors on citation count using a neural network. Journal of Informetrics, 15 (2), 101140. https://doi.org/10.1016/j.joi.2021.101140. [In English].
Zhou, Shuo, Sun, T., Xia, X., Zhang, N., Huang, B., Xian, G., & Chai, X. (2022). Library on-shelf book segmentation and recognition based on deep visual features. Information Processing & amp; Management, 59 (6), 103101. https://doi.org/10.1016/j.ipm.2022.103101. [In English].
Zhou, Sijia, & Li, X. (2020). Feature engineering vs. Deep Learning for paper section identification: Toward applications in Chinese medical literature. Information Processing & amp; Management, 57 (3), 102206. https://doi.org/10.1016/j.ipm.2020.102206. [In English].
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
У разі публікації статті в збірнику «Вісник Харківської державної академії культури», автори зберігають авторське право, а також надають право журналу публікувати оригінальні наукові статті, що містять результати експериментальних і теоретичних досліджень і не знаходяться на розгляді для опублікування в інших віданнях. Всі матеріали поширюється на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike (BY-NC-SA), яка дозволяє першу публікацію в цьому журналі, а також розповсюдження роботи з визнанням авторства цієї роботи, на тих самих умовах, з некомерційною метою.
Автори мають підписати заяву, яка є угодою про надання прав редакції на публікацію статті в друкованому та електронному вигляді. Заява надсилається на поштову (оригінал) або електронну адресу (сканована копія) Редакції журналу.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Під час подачі рукопису статті для опублікування у збірнику «Вісник Харківської державної академії культури» автори погоджуються з тим, що, у разі прийняття статті до публікації, її можна буде розмістити в електронних архівах та базах даних з обов'язковим зазначенням авторства і збереженням авторських прав у повному обсязі за авторами. У тексті самої роботи мають бути в повному обсязі представлені джерела зовнішньої інформації – у вигляді списків джерел літератури (у т.ч. особисті раніше опубліковані роботи авторів). Автори рукопису статті зобов'язані належно оформляти запозичення у вигляді цитат або посилань. Будь-які форми плагіату неприпустимі.
