[论文解读] Research information in the light of artificial intelligence: quality and data ecologies

Otmane Azeroual, Tibor Koltay|arXiv (Cornell University)|May 6, 2024

Big Data and Business IntelligenceBusiness, Management and Accounting被引用 3

一句话总结

本文提出了一套全面且跨学科的框架，旨在将人工智能（AI）整合到研究信息管理（RIM）系统中，以提升数据质量和数据素养。该框架提出了一套分阶段的AI在RIM中实施的流程模型，强调大学各部门之间的协作，以应对研究数据不完整和不准确的问题，其核心贡献在于为协调AI与机构数据生态及研究信息实践提供了结构化方法。

ABSTRACT

This paper presents multi- and interdisciplinary approaches for finding the appropriate AI technologies for research information. Professional research information management (RIM) is becoming increasingly important as an expressly data-driven tool for researchers. It is not only the basis of scientific knowledge processes, but also related to other data. A concept and a process model of the elementary phases from the start of the project to the ongoing operation of the AI methods in the RIM is presented, portraying the implementation of an AI project, meant to enable universities and research institutions to support their researchers in dealing with incorrect and incomplete research information, while it is being stored in their RIMs. Our aim is to show how research information harmonizes with the challenges of data literacy and data quality issues, related to AI, also wanting to underline that any project can be successful if the research institutions and various departments of universities, involved work together and appropriate support is offered to improve research information and data management.

研究动机与目标

• 解决学术机构中日益严峻的数据质量差和研究信息不完整的问题。
• 开发一种结构化、多阶段的流程模型，用于将AI整合到研究信息管理（RIM）中。
• 提升研究人员和机构利益相关者的数据素养与数据质量意识。
• 促进跨部门的机构协作，以支持可持续的RIM实践。
• 确保AI应用在现有数据生态中得到有效且合乎伦理的实施。

提出的方法

• 作者提出了一种概念性流程模型，概述AI在RIM中整合的生命周期，涵盖从项目启动到实际部署的全过程。
• 该框架整合了数字图书馆、人工智能和研究信息管理等多学科的方法。
• 强调专业RIM作为科学知识流程数据驱动基础的作用。
• 该模型包括需求评估、技术选择、数据准备、AI实施和持续监控等阶段。
• 该方法设计为可适应各种机构背景和数据生态系统。
• 它倡导建立机构支持结构和跨部门协作，以确保成功实施。

实验结果

研究问题

• RQ1 AI技术如何被有效选择并整合到研究信息管理系统中？
• RQ2 机构RIM中成功实施AI的关键阶段和组成部分是什么？
• RQ3 如何通过AI增强的RIM实践来提升数据质量和数据素养？
• RQ4 支持RIM中AI应用所需的机构和协作结构有哪些？
• RQ5 现有数据生态如何影响AI应用在研究信息系统中的成功？

主要发现

• 所提出的流程模型为大学系统性地在RIM中实施AI提供了清晰且可操作的框架。
• RIM中AI的成功整合依赖于强有力的机构协作和专门的支持结构。
• 数据质量和数据素养是确保研究信息系统中可信AI应用的关键推动因素。
• 该框架表明，AI可以有效嵌入RIM中，以纠正和增强不完整或不准确的研究数据。
• 该模型支持在学术数据生态系统中实现可持续、可扩展且合乎伦理的AI部署。
• 本研究强调，专业RIM不仅是技术工具，更是科学知识流程的战略推动者。