提高透明度和包容性
在过去十年中，我们对 JCR 所做的改进产生了一个更具包容性的工具，支持负责任的研究评估。现在所有 Web of Science 核心合集期刊都可供分析，包括最近推出的期刊、开放获取期刊、具有小众或区域范围的期刊以及来自全球南方的期刊。每本期刊的引文统计数据完全透明，使您能够看到对期刊学术影响力做出贡献的每一篇文章和引文。我们已将 JIF 从科学和社会科学领域学术影响力的指标发展为期刊层面所有学科的学术影响力和可信度的指标。我们消除了三位小数，以防止对统计数据的误解。
研究界比以往任何时候都更需要可靠的期刊情报来源。今年发布的报告代表了我们最近为增强期刊引文报告所做的努力的顶峰，以便研究人员、出版商和图书管理员能够
续为他们的工作找到最适合的期刊
做出基于证据的业务决策，并确保图书馆藏书以透明、出版商中立的数据支持严谨的研究和教学。任何成功的获取路线图都以高质量的证据为标志。系统文献综述 (SLR) 和荟萃分析通常被认为是最有力的证据形式之一；它们遵循严格的方法学指南，有助于消除研究人员的固有偏见。SLR 对于综合和分析各个领域的大量研究结果非常重要。它们用于研究和政策制定，为基于证据的决策和实践提供信息。它们与传统文献综述的不同之处在于，它们通常遵循严格的方法学指南，例如由 Cochrane 协作组织 (Cochrane, 2019) 和评论与传播中心 (Centre for Reviews and Discussion, 2009) 发布的指南。
开展 SLR 可能非常耗费人力，需要研究人员投入大量人力来识别和筛选大量已发表的文献。然而，随着人工智能和机器学习 (AL/ML) 技术的蓬勃发展，开展 SLR 的方式可能即将发生巨大变化。
在本文中，我们讨论了迄今为止 AI/ML 的作用以及在文献综述中使用这些作用可能面临的挑战。
好处
在进行 SLR 时使用 AL/ML 的主要好处之一是可以减少所需的人 罗马尼亚资源 力和精力，尤其是在审查的引文筛选阶段。最近的一项审查报告称，人工筛选时间减少了 77%（Van Dijk，2023 年），但作者确实承认，研究人员首先需要相当长的时间才能熟悉使用 AI 工具。虽然医学领域出版物的指数级增长对人类审阅者提出了挑战，但 AL/ML 算法可以在这方面表现出色，因为它们在处理如此大的数据集时不会感到疲劳。因此，使用 AI/ML 不仅可以减少进行审查所需的时间，还可以提高筛选的准确性。
单反相机的人工智能类型
目前有几种形式的 AI/ML 可用于支持研究人员进行 SLR。
其中两种最常用的类型（Cochrane 指南中讨论过）是：用于 生成式人工智能如何提升营销效果 对研究进行分类的机器学习工具；以及用于确定研究的纳入和排除的自然语言处理工具。
分类器
机器学习模型（或“分类器”）通常用于从包含各种临床试验 新加坡电话号码 设计的数据集中识别随机对照试验 (RCT) 报告。Cochrane“RCT 分类器”等工具基于 Cochrane Crowd（Cochrane，nd）筛选的数十万条记录的大型数据集构建而成，可用于在人工筛选之前自动从数据集中排除所有非 RCT。此工具的明显优势在于在人工筛选之前从数据集中删除不符合条件的研究，这意味着在期刊数量不断增加 人工审阅者可以专注于确定剩余文章中较小子集的符合条件。