Список литературы

2518-1092

Научный результат. Информационные технологии

2518-1092

10.18413/2518-1092-2026-11-2-0-8

4258

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙ

<strong>КАРТИРОВАНИЕ НАУЧНОГО ЛАНДШАФТА: БИБЛИОМЕТРИЧЕСКИЙ АНАЛИЗ ИССЛЕДОВАНИЙ ИИ И ПЕРСПЕКТИВНЫХ ТЕХНОЛОГИЙ НА БАЗЕ ARXIV</strong>

<strong>MAPPING THE SCHOLARLY LANDSCAPE: A BIBLIOMETRIC ANALYSIS OF AI AND EMERGING TECHNOLOGIES ON ARXIV</strong>

Чигарев

Борис Николаевич

Chigarev

Boris Nikolaevich

bchigarev@ipng.ru

2026

11200

Искусственный интеллект и перспективные технологии повышают эффективность научных исследований и глобальную конкурентоспособность, преобразуя отрасли промышленности. Они также поднимают важные социальные и этические вопросы управления, которые требуют принятия политических решений, основанных на фактах. В данной статье представлен двухэтапный метод выявления актуальных тем исследований в формате «доказательства концепции». Первый этап включает анализ библиометрических записей препринтов с целью выявления ключевых тем, описанных терминами, взятыми из аннотаций. На втором этапе на основе этих ключевых терминов выявляются примеры актуальных рецензируемых публикаций. Данный метод обеспечивает баланс между широким поиском актуальных тем и надежной проверкой научных результатов. В качестве источников данных используются метаданные препринтов ArXiv по искусственному интеллекту (cs.AI 126 363 записи) и перспективные технологиям (cs.ET 4497 записей) за 2021–2025 годы. В исследовании использовались 46 493 многословных термина, найденных в аннотациях библиометрических записей cs.AI. Для выявления соответствующих рецензируемых публикаций рекомендуется использовать поисковые системы на основе искусственного интеллекта, такие как Semantic Scholar, Elicit или ScienceOS, чтобы найти публикации с использованием терминологии, определенной на первом этапе. Исследование показывает, что использование контролируемого лексикона позволяет выделить 4–5 групп интерпретируемых тем в текстах аннотаций, подчеркивая важность использования терминов, состоящих из 2–4 слов, для достижения оптимальных результатов. Оптимизация задач с использованием вычислительные системы на принципах физического моделирования, дополненных искусственным интеллектом, может стать перспективной темой.

Artificial intelligence and emerging technologies are boosting research efficiency and global competitiveness, transforming industries. They also raise important social and ethical governance issues that require evidence-based policy decisions. This article presents a two-stage method for identifying relevant research topics in a proof-of-concept format. The first stage involves analyzing bibliometric records of preprints to identify key topics described by terms taken from abstracts. In the second stage, examples of relevant peer-reviewed publications are identified based on these key terms. This method provides a balance between a broad search for relevant topics and reliable verification of scientific results. The data sources used are metadata from ArXiv preprints on artificial intelligence (cs.AI 126,363 records) and emerging technologies (cs.ET 4,497 records) for 2021–2025. The study used 46,493 multi-word terms found in the annotations of cs.AI bibliometric records. To identify relevant peer-reviewed publications, it is advisable to use artificial intelligence-based search engines such as Semantic Scholar, Elicit, or ScienceOS to search for publications using the terminology identified in the first stage. The study shows that the use of a controlled lexicon allows for the identification of 4–5 groups of interpretable topics in text of abstracts, emphasizing the importance of using terms consisting of 2–4 words to achieve optimal results. Optimizing tasks using computing systems based on physical modeling principles supplemented by artificial intelligence could be a promising area of research.

библиометрический анализискусственный интеллектперспективные технологииметаданные препринтовключевые терминырецензируемые публикации

bibliometric analysisartificial intelligencepromising technologiespreprint metadatakey termspeer-reviewed publications

Список литературы

Yuan C. et al. The Impact of Artificial Intelligence on Economic Development: A Systematic Review: The impact of artificial intelligence on economic development // ITPHSS. 2024. V. 1, No 1. P. 130–143.

DOI: 10.70693/itphss.v1i1.57

Erduran S., Levrini O. The impact of artificial intelligence on scientific practices: an emergent area of research for science education // International Journal of Science Education. 2024. V. 46, No 18. P. 1982–1989.

DOI: 10.1080/09500693.2024.2306604

Levy H.V. Ethical, legal, and governance dimensions of responsible research and innovation: global perspectives and challenges in emerging technologies // Law, Ethics & Technology. 2025. DOI: 10.55092/let20250012

Triana I. et al. Artificial Intelligence in Innovation Research a Bibliometric Perspective // 2024 3rd International Conference on Creative Communication and Innovative Technology (ICCIT). Tangerang, Indonesia: IEEE, 2024. P. 1–6. DOI: 10.1109/ICCIT62134.2024.10701113

Lis A. Keywords Co-occurrence Analysis of Research on Sustainable Enterprise and Sustainable Organisation // Journal of Corporate Responsibility and Leadership. 2018. V. 5, No 2. P. 47–66.

DOI: 10.12775/JCRL.2018.011

Koştı G., Kayadibi İ. A bibliometric analysis of artificial intelligence and machine learning applications for human resource management // Futur Bus J. 2025. V. 11, No 1. P. 179. DOI: 10.1186/s43093-025-00602-x

Mariani M.M. et al. Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions // Technovation. 2023. V. 122. P. 102623. DOI: 10.1016/j.technovation.2022.102623

Jurowetzki R. et al. The private sector is hoarding AI researchers: what implications for science? // AI & Soc. 2025. V. 40, No 5. P. 4145–4152. DOI: 10.1007/s00146-024-02171-z

Van Eck N.J., Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping // Scientometrics. 2010. V. 84, No 2. P. 523–538. DOI: 10.1007/s11192-009-0146-3

Liu Z. et al. GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks // Proceedings of the ACM Web Conference 2023. Austin TX USA: ACM, 2023. P. 417–428. DOI: 10.1145/3543507.3583386

Yamaguchi S. et al. Transfer learning with pre-trained conditional generative models // Mach Learn. 2025. V. 114, No 4. P. 96. DOI: 10.1007/s10994-025-06748-7

Anisuzzaman D.M. et al. Fine-Tuning Large Language Models for Specialized Use Cases // Mayo Clinic Proceedings: Digital Health. 2025. V. 3, No 1. P. 100184. DOI: 10.1016/j.mcpdig.2024.11.005

Lu W., Luu R.K., Buehler M.J. Fine-tuning large language models for domain adaptation: exploration of training strategies, scaling, model merging and synergistic capabilities // npj Comput Mater. 2025. V. 11, No 1. P. 84. DOI: 10.1038/s41524-025-01564-y

Institute of Information Technology and Intelligent Systems, Kazan Federal Universit et al. Comparative analysis of neural network models performance on low-power devices for a real-time object detection task // Computer Optics. 2024. V. 48, No 2. P. 242–252. DOI: 10.18287/2412-6179-CO-1343

Real-Time Performance Monitoring for Deep Learning Models in Production // International Journal of Intelligent Systems and Applications in Engineering. 2024. DOI: 10.17762/ijisae.v12i23s.7764

Hernandez-Leal P., Kartal B., Taylor M.E. A survey and critique of multiagent deep reinforcement learning // Auton Agent Multi-Agent Syst. 2019. V. 33, No 6. P. 750–797. DOI: 10.1007/s10458-019-09421-1

Nguyen T.T., Nguyen N.D., Nahavandi S. Deep Reinforcement Learning for Multiagent Systems: A Review of Challenges, Solutions, and Applications // IEEE Trans. Cybern. 2020. V. 50, No 9. P. 3826–3839.

DOI: 10.1109/TCYB.2020.2977374

Ibeh C.V., Adegbola A. AI and Machine Learning for Sustainable Energy: Predictive Modelling, Optimization and Socioeconomic Impact in the USA // IJASRaR. 2025. V. 2, No 1. DOI: 10.22399/ijasrar.19

Fathy R.A. Artificial Intelligence in the Energy Sector: Regulatory Compliance, Challenges, and Cybersecurity Implications // 2025 IEEE Conference on Power Electronics and Renewable Energy (CPERE). Aswan, Egypt: IEEE, 2025. P. 1–6. DOI: 10.1109/CPERE65146.2025.11240055

Ji Z., Jiang M. A systematic review of electricity demand for large language models: evaluations, challenges, and solutions // Renewable and Sustainable Energy Reviews. 2026. V. 225. P. 116159. DOI: 10.1016/j.rser.2025.116159

Chen R. et al. Reconfigurable Intelligent Surfaces for 6G IoT Wireless Positioning: A Contemporary Survey // IEEE Internet Things J. 2022. V. 9, No 23. P. 23570–23582. DOI: 10.1109/JIOT.2022.3203890

Ravish R. et al. Optimization of Reinforcement Learning Using Quantum Computation // IEEE Access. 2024. V. 12. P. 179396–179417. DOI: 10.1109/access.2024.3506656

Heng S. et al. How to Solve Combinatorial Optimization Problems Using Real Quantum Machines:

A Recent Survey // IEEE Access. 2022. V. 10. P. 120106–120121. DOI: 10.1109/ACCESS.2022.3218908

Panda S., Gadam H., Upadhyay A. INTELLIGENT SYSTEMS AND APPLICATIONS IN ENGINEERING // SSRN Journal. 2025. DOI: 10.2139/ssrn.527140310

Yun B. et al. Generative AI in Knowledge Work: Design Implications for Data Navigation and Decision-Making // Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. Yokohama Japan: ACM, 2025. P. 1–19. DOI: 10.1145/3706598.3713337