Exploring the frontiers of artificial intelligence: A bibliometric analysis of high-impact research up to 2023
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
Artificial intelligence (AI) has rapidly evolved, transforming industries and addressing societal challenges across sectors such as healthcare and education. This study provides a state-of-the-art overview of AI research up to 2023 through a bibliometric analysis of the 50 most influential papers, identified using Scopus citation metrics. The selected works, averaging 74 citations each, encompass original research, reviews, and editorials, demonstrating a diversity of impactful contributions. Over 300 contributing authors and significant international collaboration highlight AI’s global and multidisciplinary nature. Our analysis reveals that research is concentrated in core journals, as described by Bradford’s Law, with leading contributions from institutions in the United States, China, Canada, the United Kingdom, and Australia. Trends in authorship underscore the growing role of generative AI systems in advancing knowledge dissemination. The findings illustrate AI’s transformative potential in practical applications, such as enabling early disease detection and precision medicine in healthcare and fostering adaptive learning systems and accessibility in education. By examining the dynamics of collaboration, geographic productivity, and institutional influence, this study sheds light on the innovation drivers shaping the AI field. The results emphasize the need for responsible AI development to maximize societal benefits and mitigate risks. This research provides an evidence-based understanding of AI’s progress and sets the stage for future advancements. It aims to inform stakeholders and contribute to the ongoing scientific discourse, offering insights into AI’s impact at a time of unprecedented global interest and investment.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,055 | 0,072 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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