Dirbtinio intelekto įrankių pritaikomumo mokslinės literatūros paieškai ir analizei vertinimas

Anotacija

Šiuolaikiniame pasaulyje sparčiai augantis mokslinės informacijos kiekis skatina tyrėjus ieškoti efektyvesnių būdų literatūros paieškai ir analizei. Šiame straipsnyje nagrinėjama problema yra siejama su dirbtinio intelekto (DI) įrankiais ir jų taikymo galimybėmis mokslinių straipsnių paieškos ir analizės procesuose bei privalumų ir ribotumų vertinimu. Tyrimo aktualumą pagrindžia tyrimų, lyginančių tradicinę ir DI pagrindu atliekamą mokslinių straipsnių paiešką bei analizę, trūkumas. Tyrimo tikslas – įvertinti DI įrankių pritaikomumą mokslinės literatūros paieškai ir analizei bei atlikti jų testavimą, pasirinkus nefinansinių įmonės veiklos efektyvumo vertinimo rodiklių temą 2020–2025 m. laikotarpiu. Atliekant tyrimą buvo taikomi mokslinės literatūros analizės, bibliometrinės analizės, sisteminės lyginamosios analizės metodai, eksperimentas. Tyrimo metu, remiantis mokslinių straipsnių analize, identifikuoti tokie DI įrankiai kaip antai „Semantic Scholar“, „Elicit“, „Scite“, „Litmaps“, „Connected Papers”, „Research Rabbit”, „MySLR”, „Rayyan”, „Scispace”, „Petal”, „Scholarcy”, galintys automatizuoti ir/ar vizualizuoti literatūros paiešką, atranką bei analizę. Tyrimo rezultatuose DI įrankiai įvertinti ir susisteminti pagal jų kokybę ir išsamumą, funkcionalumą, pritaikomumą ir naudojimo patogumą, reikalingą naudotojo įsitraukimą bei laiko sąnaudas. Tyrimo rezultatai parodė, kad DI įrankiai pagreitina mokslinės literatūros paieškos ir analizės procesus, tačiau vis dar reikalauja tyrėjo įsitraukimo vertinant atrinktų šaltinių tinkamumą ir kokybę. Palyginus tradicinę mokslinės literatūros paiešką ir analizę su DI įrankių galimybėmis, išryškėjo pastarųjų potencialas greitai ir sistemingai apdoroti didelius mokslinių straipsnių kiekius.