MAPPING THE IMPACT OF ARTIFICIAL INTELLIGENCE ON MANAGEMENT AND COMMERCE
Notice bibliographique
Résumé
This study presents a comprehensive bibliometric analysis of Artificial Intelligence (AI) in commerce and management, focusing on scholarly publications indexed in the Web of Science (WOS) database between 2019 and 2023. AI has emerged as a pivotal research area; however, few studies have addressed its bibliometric dimensions. This study aims to bridge this gap by evaluating the academic landscape and comparing AI research to assess its impact on decision-making in business management. Data for the analysis was collected from WOS, and performance analysis and science mapping were conducted using R-Studio and MS Excel. The findings highlight AI’s growing role in enhancing business functions, including decision-making, process optimization, and innovation. Key themes include "performance" (9%), "innovation" (6%), and "integration" (3%), reflecting AI’s potential in improving organizational efficiency and competitiveness. The research reveals an annual growth rate of 9.05%, with a peak in 2022, and underscores the significant influence of international collaboration, particularly in smaller countries such as Canada and Australia. The study identifies the USA and China as leading contributors and highlights the concentrated influence of a few prolific scholars and journals. The analysis concludes that AI is an indispensable tool for enhancing agility and adaptability in business management, positioning it as a strategic asset in a rapidly evolving global marketplace.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,056 | 0,117 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».