Yapay Zeka ve Adli Bilimler: Yayınların Bibliyometrik Analizi
Notice bibliographique
Résumé
Objective: Forensic science is a superstructure that encompasses many specialized fields that require expertise. In recent years, studies have been conducted on artificial intelligence and machine learning-based applications in almost all areas of forensic science. The aim of our study is to determine the trends related to the research/application areas of artificial intelligence and machine learning-based programs in forensic sciences and to make predictions about the future of the subject, and to contribute to the professionals working in the field. Methods: When the Web of Science database was searched with the keywords “artificial intelligence/machine learning” and “forensic/forensic science” in the title or abstract between 2001-2023, 229 results were obtained. Simple frequency analyses were performed using IBM SPSS 23 software for the study, and R Studio and Vosviewer (version1.16.19) programs were used for bibliometric analysis. Results: It was found that there were 229 publications meeting the criteria, and the most studies on the subject were published in International Journal of Legal Medicine with 9 publications. The most frequently published countries were the United States with 32 (13.9%) publications, China with 30 (13.04%) publications, and India with 23 (10%) publications. The most commonly used keywords in the publications were “artificial intelligence”, “deep learning” and “machine learning”. Conclusion: The results of analysis show that artificial intelligence and machine learning-based systems have become increasingly studied in many areas of forensic science in recent years. As machine learning/artificial intelligence programs are developed, it is likely that these applications will be used in forensic science/medicine practice.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».