人工智能在图书馆中的应用：研究活动的文献计量分析和可视化 研究目的 本研究旨在通过文献类型、出版年份、关键词、国家和研究方法来分析人工智能（AI）在图书馆应用的研究现状。总体目标是通过确定当前的研究差距、为未来研究提供方向并加深对有效政策制定所需的理解，丰富人工智能驱动的图书馆的现有知识。 设计/方法论/途径 本研究采用文献计量和网络分析等先进工具，从SCOPUS数据库中提取截至2022年的现有文献。本研究通过识别和选择相关关键词、从数据库中提取数据、处理数据来分析人工智能在图书馆中的应用。使用先进的文献计量可视化工具获取数据并展示和讨论结果。对于这项综合研究，搜索策略得到了计算机科学家和图书馆员小组的批准。 研究结果 大多数有关人工智能在图书馆应用的研究都是在过去三年中进行的，很可能是在第四次工业革命的推动下进行的。结果显示，高被引文章由 Emerald Group Holdings Ltd 发表。然而，人工智能在图书馆的应用是一个发展中的领域，该研究强调需要在数字人文、机器学习、机器人、数据挖掘等领域进行更多研究和学术图书馆中的大数据。 研究局限性/影响 这项研究排除了用英语以外的语言撰写的涉及图书馆以外领域的论文，例如医学、健康、教育、科学和技术。 实际意义 本研究为希望在图书馆实施人工智能的管理者和政策制定者提供了见解。通过确定集群和主题，将使管理者能够提前计划，减轻潜在的缺点并抓住可持续增长的机会。

关于同行评审报告：规模重要吗？ 本研究试图实证分析同行评审在多大程度上提高了出版物的质量。为此，研究者使用了 Publons (#57,482) 中的数据，其结构调整为 WoS 数据库的结构（对照组为 12,326,712 篇出版物）。用于同行评审的代理是以字数表示的评审报告的长度（由 Publons 提供）。在出版物方面，用于衡量出版物质量（在科学界引起的兴趣）的指标是收到的引用。建立了几个回归模型，每次都将引文分数作为被解释变量，审稿人报告的长度作为解释变量（同时添加一定数量的控制变量）。除了关于开放获取重要性的“经典”结果之外， 研究者对同行评审报告的长度与出版物随后的引用影响之间错综复杂的关系的探索揭示了学术交流的有趣方面。研究结果显示，审稿人报告的长度（尤其是超过 947 个字的审稿人报告）与已发表作品的引用量大幅增加之间存在统计学上的显着关联。这与最初的假设一致，表明更广泛的报告可能会发出建设性的反馈和提高文章整体质量的承诺，从而扩大其可见性和影响力。 这些发现的意义超出了回归分析的统计复杂性。他们强调了及时、全面的审稿人评估在塑造学术格局方面的关键作用。观察到的更长的报告和更高的引用之间的相关性意味着，为审稿人提供足够的时间进行彻底的评估可能有助于提高学术出版物的质量和影响力。 此外，研究结果主张提高同行评审过程的透明度，例如开放获取评审报告等举措。这种透明度可能会影响评审者的行为，从而促进更详细和更有洞察力的评估。这与（Radzvilas 等人， 2022 ）等研究结果产生共鸣，强调了开放同行评审实践对审稿人参与度和勤勉度的潜在连锁效应。 审稿人的作用成为焦点。该研究强调必须承认并激励审稿人在机构评估中经常发挥的艰巨且未被充分认识的作用。作为学术诚信的守门人，审稿人在防止可能损害已发表研究质量的可疑做法和错误方面发挥着至关重要的作用。然而，同行评审面临的挑战，以及提交数量和审稿人要求激增而加剧的挑战，值得仔细考虑。审稿人评估大量文章的负担不断增加，这引起了人们对评估过程有效性的担忧。它促使人们反思如何在面对增加的工作量和时间限制时保持警惕并坚持严格的标准。在此背景下，出版后同行评审（PPPR）的兴起是一个值得注意的发展。PPPR 的日益普及表明传统同行评审范式发生了微妙的转变，表明了一种不断变化的格局，即出版后持续进行评估和审查。这一趋势引发了这样的疑问：PPPR 的强劲出现是否是传统同行评审在先发制人地发现问题方面的局限性的结果。 这项研究不仅仅是对同行评审实践与出版影响之间错综复杂的相互作用的一瞥。它提倡对同行评审过程有全面的理解，认识到其在塑造学术叙事方面的多方面作用。冗长的审稿人报告与增加的引用之间的相关性要求审稿人参与采取细致入微的方法、透明的做法和持续的警惕，以在不断发展的学术环境中保持学术交流的稳健性。

同行评审评估报告中新出现的抄袭行为：冰山一角？ 发现同行评审抄袭案例 为了更好地了解新近注意到的同行评审抄袭现象，我们进行了两种类型的分析。首先，我们研究了我们最初分析标记为抄袭的五份同行评审报告之一（估计相似度指数为 59%）的整个长度，将其分成更小的部分（每部分一到三个句子）并搜索谷歌搜索引擎的完整引用（也尝试过其他搜索引擎，但结果较差）。在第二次尝试中，我们对单个引用进行了深入分析，包括谷歌搜索该引用的不同变体、提取搜索数据和进一步分析。对于这两种类型的分析，Google 搜索引擎默认忽略了一些与前几个显示的条目非常相似的条目。不过，这是可能的。 审稿人为什么要审稿，为什么要抄袭？ 从审稿人的角度来看，自愿撰写审稿可能是一件耗时且不受欢迎的事情。许多潜在的审稿人可能会觉得效益成本比很低，即写审稿是一种牺牲。 那么，为什么有些人不简单地拒绝审稿邀请，而是着手准备抄袭审稿呢？一些期刊试图通过提供文章处理费 (APC) 折扣券或其他福利来吸引审稿人。对于一些国家的一些研究人员来说，这可能是一个重要因素。另一种可能性是希望通过报告 Publons 网络平台（现已由 Clarivate 并入Web of Science 的“我的同行评审记录”选项卡下）中的注册评论数量来提升个人简历，该平台跟踪学术期刊的评论和编辑贡献。另一种可能的情况是，一些掠夺性出版商和期刊可能会实行同行评审抄袭，这种抄袭不是由审稿人而是由编辑产生的，目的是掩盖严格同行评审过程的实际缺失。 无论动机如何，抄袭评论都是一种严重的不当行为，正如我们的分析所证明的那样，这种行为近年来可能迅速增长，因此需要所有受影响方（编辑、出版商和作者）紧急关注并采取行动。自我剽窃可能是可以容忍的一个可能的例外是使用陈词滥调，这些短语可能是由有组织的个人编写的，供个人在评论有问题的论文时使用。很可能在某些稿件提交门户上，审稿人可以从期刊编辑汇编的常见批评陈词滥调中进行选择。这类似于陈词滥调的编辑信，他们对不同类别的提交稿件使用特定的模板，例如宣布直接拒绝。 同行评审剽窃的后果 除了本身是一种科学不端行为之外，作为一种抄袭，此类抄袭评论的一个关键问题是它们肯定会毫无意义、含糊不清且与实际手稿无关。因此，它们将对同行评审过程和审稿稿件的质量产生负面影响，从而也损害已发表科学的质量。它们还可能导致公众对同行评审过程的信任度下降。出版商、编辑和其他相关方应紧急评估同行评审剽窃行为的存在和普遍性，以了解此类案件的发生频率。我们呼吁采取紧急措施，监测、控制和防止此类事件发生。 如何防止同行评审抄袭？ 防止评论抄袭的最有意义的解决方案是使用抄袭检测软件对所有提交的评论进行常规处理。事实上，令人惊讶的是，据我们所知，这一点尚未完成。当然，抄袭检测软件不应该盲目使用，因为有一些陷阱应该被忽略。审稿出版物有一些共同的方面（例如格式、语言规范、文章结构），审稿人可能会因为他们的写作习惯而提供类似的修改建议。编辑的职责是仔细考虑这种“重复”是否构成潜在的抄袭情况，以避免对审稿人造成伤害。此外，如果审稿人发现某期刊对其审稿报告进行抄袭检查，他们可能会采取改写句子、颠倒句序或用同义词替换单词等措施，从而可能导致报告中的陈述出现尴尬或不清楚的情况。另一个值得考虑的解决方案是在期刊之间建立一个共享数据库，将收到的所有同行评审报告提交到该数据库，以便与过去的评审进行比较，并保留以供将来比较。 AI聊天机器人介入 为了减少材料与源的相似性而手动引入对字符串的改变（例如通过重新措辞）可能是作者的常见做法，例如由意识到与源文本的高度相似性而触发。这样做的目的是使反剽窃软件更难以检测到剽窃行为。这种活动可以称为“剽窃洗钱”或“白领剽窃”。然而，即将出现并且可能很难补救的一类新的评论抄袭问题与人工智能聊天机器人的输出有关。

科学方法和模型在科学哲学中的运用 科学哲学与科学之间的关系是什么？正如普拉杜等人。（英国科学哲学杂志https://doi.org/10.1086/715518，2021）和 Khelfaoui 等人。(Synthese 199:6219, 2021)最近表明，这种关系的一部分是由“科学中的哲学”构成的：用哲学方法来解决科学中的问题。但另一部分是人们所说的“哲学中的科学”：使用从科学中提取的方法来解决哲学问题。 在本研究中，研究者关注一类此类方法，并研究基于模型的方法在“哲学中的科学”中发挥的作用。为此，首先构建一个书目耦合网络，其中包含 2000 年至 2020 年在科学哲学期刊上发表的所有论文的 Web of Science 记录（N=9217）。在检测到网络中最突出的论文社区后，使用监督分类器来识别所有使用基于模型的方法的论文。借鉴文化进化方面的工作，提出了一个模型来代表每个社区中方法的演变。最后，通过整合模型和数据来衡量给定时间段内基于模型的方法的文化选择的强度。结果表明，基于模型的方法不仅在过去二十年中在科学哲学中占有重要地位，而且在不同社区的使用上也存在很大差异。结果进一步表明，一些社区对基于模型的方法的使用经历了强烈的选择，但其他社区却没有；研究者通过出版年份的论文方法的逻辑回归验证了这一发现。最后，讨论了研究结果的一些含义，并表明基于模型的方法在科学哲学的某些但不是所有领域的“哲学中的科学”中发挥着越来越重要的作用。

算法素养的多维分级评价体系研究2  1算法素养的多维分级评价体系 1.1 算法素养评价的维度构建 本研究通过对现有文献中的算法素养界定出发，构建算法素养评价的维度。在本文中，将意识和知识分为两个单独的维度，即意识维度和理解维度，从而形成算法素养的5个维度： 1)意识即意识到算法存在哪些软件、领域以及其之间的关系。 2)理解即理解算法的机制、内涵。 3)评估即对于算法对于自身、社会的影响进行判断、评估。 4)应对即正确处理算法带来的各种问题。 5)创造即具有选择、开发、设计算法相关的能力。 1.2 算法素养评价的等级构建 在算法素养的评价中，针对评价对象的不同，算法素养在各维度上的要求也不同。对于不同的评价对象，其在算法素养不同维度上的目标存在差异性，例如对于普通社会大众而言，对其在算法素养创造维度上的水平要求低于开发者。因此，在对不同对象进行算法素养评价时，需要考虑算法素养评价的等级问题。 本研究通过归纳皮亚杰认知理论各个阶段的特点并结合现在的素养评价实践，总结了算法素养不同维度的4个等级评判标准及其特点： 1)感知与经验：个人的、经验性的、即时的、具体的。 2)总结与归纳：个人的、经验性的、累积的、具体的。 3)可逆与扩展：群体的、预见性的、扩展的、具体的。 4)形式与抽象：群体的、预见性的、扩展的、抽象的。 其中，从感知与经验到形式与抽象，各个等级的内涵从认知发展的不同阶段中提取，也反映了算法素养水平的由低到高。 1.3 算法素养不同维度与不同等级的结合 算法素养的5个维度是对算法素养内容的解构，算法素养评价的4个等级则是对发展程度进行区分，对于算法素养评价中的维度，其中每个维度不仅包含算法素养各方面的内涵，也要考虑其程度差异，因此需要将算法素养的不同维度与不同等级结合，构建算法素养的多维分级评价体系。在算法素养的多维分级评价体系中，算法素养评价的5个维度对算法能力的各个方面进行区分，评价对象在不同维度上的能力要求差异通过各维度上的等级来体现。 2 实证研究 2.1 测验设计与数据收集 实验以算法素养中的典型对象社会大众为例，对其进行算法素养的多维分级评价。本次研究的测评标准如表3所示。 测验通过网上问卷的形式进行，共收集问卷204份，剔除异常问卷19份，最终有效问卷185份。 2.2 信效度检验 信度检验能够考察问卷的可靠性，对于测量结果的内部一致性程度进行了解，本文使用Cronbach's α(克隆巴赫)系数法来检测数据信度是否达标，一般认为问卷的Cronbach's α系数大于0.8说明其信度较好。本次问卷中5个维度的信度均大于0.8,证明问卷具有良好的可靠性。 效度检验用于检验问卷的有效性，其反映了测量工具预测目标测量变量的准确性。测量结果与目标变量越吻合，效度则越高。本文对于问卷结果进行KMO检验与巴特利特球体检验。一般认为，KMO检验系数大于0.8,P值(巴特利特球体检验的x2统计值的显著性概率)小于0.05,问卷才有结构效度。本问卷中的5个维度的KMO检验系数均大于0.8,P值均小于0.05。 2.3 IRT分析 在算法素养评价中，项目反应理论能够将测验问卷中的实际得分通过项目特征模型转化为样本的潜在能力估值。本研究中采用项目反应理论的双参数模型(2PL),2PL模型能够分析测验项的区分系数α和难度系数β。难度系数β体现了受测对象正确回答测验题项的难度，区分系数α体现了该测验题项对于样本的区分能力。 在计算出各维度下的所有题项的项目反应模型后，汇总得到各维度的测验特征曲线[29],如图1所示。测验特征曲线反映了实际测验分数与算法素养在该维度的潜在估值之间的关系，特征曲线在零点处的潜在能力估值对应的真实分数越高，说明测验题项难度越大，特征曲线越陡峭，说明测验题项区分能力越强。 2.4 权重计算 在获得各个维度的估值后，为了获得算法素养上的整体潜在能力估值，需要根据熵权法计算各个维度的权重， 2.5 结果讨论 在本次测验中，首先通过项目反应理论计算出算法素养各个维度潜在能力估值结果。 3 总 结 算法社会不仅仅是算法单方面地发挥作用，同时强调人的因素，算法技术的发展与社会中各类主体算法素养的提高均是推动算法社会进步的重要动力。本研究结合素养评价中的层次评价体系与皮亚杰认知阶段理论，通过分析算法素养评价的不同维度与等级，提出了多维分级的算法素养评价体系。该评价体系结合层次评价体系的维度划分，有助于了解不同主体的算法素养水平，针对性地制定算法素养培养策略，从而帮助形成多主体共建共治的算法社会。