О сравнительном анализе тематики научных публикаций в сфере искусственного интеллекта в международных и российских журналах

Цель. Выполнить сравнительный анализ тематики и объемов публикационной активности в сфере искусственного интеллекта (ИИ) российских авторов в журналах, индексируемых в таких базах данных, как Российский индекс научного цитирования (РИНЦ) и WoS/Scopus, применительно к областям технологий ИИ, научным направлениям и организациям места работы.

Задачи. Сформировать перечень публикаций авторов с российской аффилиацией в журналах, индексируемых WoS/Scopus, в том числе отнесенных к квартилям Q1 и Q2, а также в материалах конференций уровня А*, тематика которых относится к сфере ИИ; создать перечень публикаций российских исследователей, посвященных тематике ИИ, в журналах, индексируемых в РИНЦ, в том числе относящихся к категории К1; провести сравнительный анализ тематик и структуры публикаций российских авторов в журналах, индексируемых в WoS/ Scopus и РИНЦ, применительно к областям технологий ИИ, группам научных специальностей, организациям места работы авторов.

Методология. Основу методологии проведенного исследования составляет экспертный анализ публикаций в научных журналах, индексируемых WoS/Scopus, в том числе в квартилях Q1 и Q2, в трудах конференций уровня А*, научных журналах, индексируемых в РИНЦ за 2017– 2021 гг., тематика которых относится к сфере ИИ, на основе выборок из открытых баз данных публикаций с использованием библиотек и пакетов для обработки и анализа данных. Критерием отнесения статьи к тематике ИИ послужило наличие в полях поиска «название публикации» и (или) «ключевые слова», «аннотация» словосочетаний из областей технологий и субтехнологий ИИ.

Результаты. Сравнение высокорейтинговых публикаций WoS/Scopus, Q1, Q2, А* и публикаций РИНЦ К1 показывает, что среди публикаций WoS/Scopus, Q1, Q2, А* доминируют «Машинное обучение: представление знаний, онтология, интерпретация, объяснение» (32 %) и «Компьютерное зрение» (30 %). Среди публикаций РИНЦ К1 преобладают «Ответственный искусственный интеллект (этика и философия, правовые нормы, безопасность)» (34  %), «Машинное обучение: представление знаний, онтология, интерпретация, объяснение» (28 %) и «Интеллектуальный анализ данных и процессов, осмысление закономерностей» (13 %).

Выводы. Проведенный анализ публикационной активности российских авторов в отношении тематики ИИ на основе сравнения тематики научных публикаций из баз данных WoS/Scopus и РИНЦ может послужить в качестве информационной основы при выборе центров ИИ-компетенций и формирования перечней лучших практик в сфере ИИ.

1. GPT-4 // OpenAI. 2023. March 14. URL: https://openai.com/research/gpt-4 (дата обращения: 23.06.2023).

2. Бабкин А. В., Алексеева Н. С. Исследование тенденций развития телекоммуникационной отрасли на основе анализа наукометрических данных // Управление наукой и наукометрия. 2019. Т. 14. № 4. С. 523–543. DOI: 10.33873/2686-6706.2019.14-4.523-543

3. Maslej N., Fattorini L., Brynjolfsson E. [et al.]. The AI index 2023 annual report. Stanford, CA: Stanford University, 2023. 386 p. URL: https://aiindex.stanford.edu/wp-content/uploads/2023/04/HAI_AI-Index-Report_2023.pdf (дата обращения: 20.03.2023).

4. Развитие отдельных высокотехнологичных направлений. Белая книга / под ред. М. Ю. Соколовой, Л. Д. Эйделькинда. М.: Национальный исследовательский университет «Высшая школа экономики», 2022. 188 с.

5. Токарев Б. Е., Токарев Р. Б. Анализ рынка искусственного интеллекта: динамика патентования технологий // Практический маркетинг. 2020. № 1. С. 38–44. DOI: 10.24411/2071-3762-2020-10006

6. Ерохин С. Д. Научно-исследовательская активность российских ученых в области искусственного интеллекта // Электросвязь. 2019. № 6. С. 23–26.

7. Индекс 2022: аналитический сборник № 12 / ред. И. Пивоваров // Искусственный интеллект: альманах. М.: Центр компетенций Национальной технологической инициативы на базе МФТИ по направлению «Искусственный интеллект», 2023. Июль. 46 с. URL: https://ict.moscow/static/pdf/files/%D0%98%D0%BD%D0%B4%D0%B5%D0%BA%D1%81-%D0%98%D0%98-2022.pdf (дата обращения: 16.07.2023).

8. Индекс 2021: аналитический сборник № 10 / ред. И. Пивоваров // Искусственный интеллект: альманах. М.: Центр компетенций Национальной технологической инициативы на базе МФТИ по направлению «Искусственный интеллект», 2022. Апрель. 71 с. URL: https://uploads-ssl.webflow.com/6251899e0c25e712e9a8704a/63160ee136500537b7d8193a_%D0%98%D0%BD%D0%B4%D0%B5%D0%BA%D1%81-%D0%98%D0%98-2021%20(2).pdf (дата обращения: 10.06.2023).

9. Palos-Sánchez P. R., Baena-Luna P., Badicu A., Infante-Moro J. C. Artificial intelligence and human resources management: A bibliometric analysis // Applied artificial intelligence. 2022. Vol. 36. No. 1. P. 3629–3655. DOI: 10.1080/08839514.2022.2145631

10. Song P., Wang X. A bibliometric analysis of worldwide educational artificial intelligence research development in recent twenty years // Asia Pacific Education Review. 2020. Vol. 21. No. 3. P. 473–486. DOI: 10.1007/s12564-020-09640-2

11. Identification and analysis of core topics in educational artificial intelligence research: A bibliometric analysis / S. Pu, N. A. Ahmad, M. N. M. Khambari, N. K. Yap // Cypriot Journal of Educational Sciences. 2021. Vol. 16. No. 3. P. 995–1009. DOI: 10.18844/cjes.v16i3.5782

12. Bibliometric analysis of the application of artificial intelligence techniques to the management of innovation projects / J. M. Mesa Fernández, J. J. González Moreno, E. P. VergaraGonzález, G. Alonso Iglesias // Applied Sciences. 2022. Vol. 12. No. 22. Article 11743. DOI: 10.3390/app122211743

13. О Перечне рецензируемых научных изданий: письмо Высшей аттестационной комиссии при Министерстве науки и высшего образования РФ от 6 декабря 2022 г. № 02-1198 // Гарант.ру: информ.-правовой портал. 2022. 27 декабря. URL: https://www.garant.ru/products/ipo/prime/doc/405821249/?ysclid=lm8x0mcpfy438132507 (дата обращения: 09.08.2023).

14. Система классификации технологий в сфере искусственного интеллекта для кадрового прогнозирования / В. А. Гуртов, А. О. Аверьянов, Д. Ж. Корзун, Н. В. Смирнов // Экономические и социальные перемены: факты, тенденции, прогноз. 2022. Т. 15. № 3. С. 113–133. DOI: 10.15838/esc.2022.3.81.6

15. Кадры высшей научной квалификации // Центр бюджетного мониторинга. URL: http:// science-expert.ru/ai (дата обращения: 15.06.2023).

16. Revised field of science and technology (FOS) classification in the Frascati manual // United Nations Statistics Division (UNStats). URL: https://unstats.un.org/wiki/display/EC/Revised+Field+of+Science+and+Technology+%28FOS%29+classification+in+the+Frascati+Manual (дата обращения: 15.06.2023).

17. What is the complete list of Scopus Subject Areas and All Science Journal Classification Codes (ASJC)? // Scopus. 2023. February 02. URL: https://service.elsevier.com/app/answers/detail/a_id/15181/supporthub/scopus/ (дата обращения: 15.06.2023).

18. Об утверждении номенклатуры научных специальностей, по которым присуждаются ученые степени, и внесении изменения в Положение о совете по защите диссертаций на соискание ученой степени кандидата наук, на соискание ученой степени доктора наук, утвержденное приказом Министерства образования и науки Российской Федерации от 10 ноября 2017 г. № 1093: приказ Министерства образования и науки РФ от 24 февраля 2021 г. № 118 (в ред. от 24.07.2023) // Законы, кодексы и нормативно-правовые акты РФ. URL: https://legalacts.ru/doc/prikaz-minobrnauki-rossii-ot-24022021-n-118-ob-utverzhdenii/?ysclid=lm8y6vsz7w800597620 (дата обращения: 09.08.2023).

19. Методика выявления центров компетенций авиационной науки на основе публикационной и патентной активности / В. Г. Беленков, В. И. Будзко, Д. А. Девяткин [и др.] // Труды Института системного программирования РАН. 2020. Т. 32. Вып. 4. С. 21–40. DOI: 10.15514/ISPRAS-2020-32(4)-2

20. Molchanov D., Ashukha A., Vetrov D. Variational dropout sparsifies deep neural networks // Proceedings of the 34th International conference on machine learning (ICML 2017). (Sydney, August 6–11, 2017). Maastricht: ML Research Press, 2017. Vol. 70. P. 2498–2507. URL: https://proceedings.mlr.press/v70/molchanov17a/molchanov17a.pdf (дата обращения: 15.06.2023).

21. Ivanov S., Burnaev E. Anonymous walk embeddings // Proceedings of the 35th International conference on machine learning (ICML 2018). (Stockholm, July 10–15, 2018). Maastricht: ML Research Press, 2018. Vol. 80. P. 2186–2195. URL: https://proceedings.mlr.press/v80/ivanov18a/ivanov18a.pdf (дата обращения: 15.06.2023).

22. Dvurechensky P., Gasnikov A., Kroshnin A. Computational optimal transport: Complexity by accelerated gradient descent is better than by Sinkhorn’s algorithm // Proceedings of the 35th International conference on machine learning (ICML 2018). (Stockholm, July 10–15, 2018). Maastricht: ML Research Press, 2018. Vol. 80. P. 1367–1376. URL: https://proceedings.mlr.press/v80/dvurechensky18a/dvurechensky18a.pdf (дата обращения: 15.06.2023).

23. Tensor train decomposition on TensorFlow (T3F) / A. Novikov, P. Izmailov, V. Khrulkov [et al.] // The Journal of Machine Learning Research. 2020. Vol. 21. P. 1–7. URL: https://www.jmlr.org/papers/volume21/18-008/18-008.pdf (дата обращения: 23.06.2023).

24. Аверьянов А. О., Степусь И. С., Гуртов В. А. Обеспечение потребности сферы искусственного интеллекта кадрами с высшим образованием // Университетское управление: практика и анализ. 2022. Т. 26. № 4. С. 22–36. DOI: 10.15826/umpa.2022.04.028

25. Перечень поручений по итогам конференции «Путешествие в мир искусственного интеллекта» // Президент России: офиц. сайт. 2021. 16 декабря. URL: http://www.kremlin.ru/acts/assignments/orders/67375 (дата обращения: 23.06.2023).