Artificial intelligence in Africa: a bibliometric analysis from 2013 to 2022
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract This study employs bibliometric analysis to investigate the evolving research landscape of Artificial intelligence (AI) within Africa, focusing on the years 2013 to 2022. The central objective is to discern and analyze AI studies conducted in Africa, using a dataset compiled from research papers within the Scopus database. By conducting a comprehensive analysis, this research uncovers crucial insights, including primary authors, influential journals and publishers, nations with the highest research productivity, noteworthy funding sources, influential organizations, and prevalent research domains. Additionally, the study examines year-by-year growth trends and authorship patterns. Employing the VOSviewer software, it creates visual representations that illustrate the dynamic evolution of AI research within the African context. Notably, the analysis of 1646 publications reveals a significant increase in publications over the last decade, with South Africa emerging as a global leader in AI development, and the IEEE, Elsevier, and Springer as prominent publishers. The study also highlights the leading institutions, with the University of the Witwatersrand, University of Johannesburg, University of KwaZulu-Natal, University of Cape Town, and University of Pretoria at the forefront of AI research in Africa. The National Research Foundation is identified as the primary funder supporting AI research across the continent. In conclusion, this research aims to provide a comprehensive understanding of AI’s role in addressing African challenges, fostering innovation, and contributing to the continent’s technological advancement, shedding light on prevalent research areas and significant funding sources in the process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,057 | 0,254 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle