論文の概要: Drivers and Barriers of AI Adoption and Use in Scientific Research
- arxiv url: http://arxiv.org/abs/2312.09843v2
- Date: Thu, 22 Feb 2024 18:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 18:11:53.650953
- Title: Drivers and Barriers of AI Adoption and Use in Scientific Research
- Title（参考訳）: 科学研究におけるAI導入と活用の要因と障壁
- Authors: Stefano Bianchini, Moritz M\"uller and Pierre Pelletier
- Abstract要約: 我々は、科学者の人的資本と、協力者や機関のネットワークで利用可能な外部リソースに焦点をあて、科学研究におけるAIの統合について研究する。
我々の結果は、AIは探索の趣味を持つドメイン科学者によって開拓され、コンピュータ科学者、経験豊富なAI科学者、そして初期のキャリア研究者のネットワークに埋め込まれていることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New technologies have the power to revolutionize science. It has happened in
the past and is happening again with the emergence of new computational tools,
such as artificial intelligence and machine learning. Despite the documented
impact of these technologies, there remains a significant gap in understanding
the process of their adoption within the scientific community. In this paper,
we draw on theories of scientific and technical human capital to study the
integration of AI in scientific research, focusing on the human capital of
scientists and the external resources available within their network of
collaborators and institutions. We validate our hypotheses on a large sample of
publications from OpenAlex, covering all sciences from 1980 to 2020, and
identify a set key drivers and inhibitors of AI adoption and use in science.
Our results suggest that AI is pioneered by domain scientists with a `taste for
exploration' and who are embedded in a network rich of computer scientists,
experienced AI scientists and early-career researchers; they come from
institutions with high citation impact and a relatively strong publication
history on AI. The access to computing resources only matters for a few
scientific disciplines, such as chemistry and medical sciences. Once AI is
integrated into research, most adoption factors continue to influence its
subsequent reuse. Implications for the organization and management of science
in the evolving era of AI-driven discovery are discussed.
- Abstract（参考訳）: 新しい技術は科学に革命をもたらす力を持っている。
これは過去にも起きており、人工知能や機械学習といった新しい計算ツールの出現と共に再び起こっている。
これらの技術の影響は文書化されているが、科学コミュニティにおける採用プロセスを理解する上では大きなギャップがある。
本稿では、科学者の人的資本と協力者と機関のネットワーク内で利用可能な外部資源に着目し、科学研究におけるaiの統合を研究するための科学的・技術的人的資本の理論について述べる。
私たちは、1980年から2020年までのすべての科学をカバーし、OpenAlexからの大量の出版物に関する仮説を検証し、AIの採用と科学における利用の鍵となる要因と阻害剤を特定します。
我々の結果は、AIは「探索のための味」を持つドメイン科学者によって開拓され、コンピュータ科学者、経験豊富なAI科学者、アーリーケア研究者のネットワークに埋め込まれていることを示唆している。
計算資源へのアクセスは、化学や医学などのいくつかの科学分野においてのみ重要である。
AIが研究に統合されると、ほとんどの採用要因がその後の再利用に影響を与える。
AIによる発見の進化期における科学の組織化と管理の意味について論じる。
関連論文リスト
- Towards a Science Exocortex [0.5687661359570725]
我々はエージェントAIシステムにおける技術の現状をレビューし、これらの手法をどのように拡張して科学により大きな影響を与えるかについて論じる。
科学の外食はAIエージェントの群れとして設計することができ、各エージェントは特定の研究者のタスクを個別に合理化することができる。
論文 参考訳（メタデータ） (2024-06-24T14:32:32Z) - AI for social science and social science of AI: A Survey [47.5235291525383]
人工知能の最近の進歩は、人工知能の可能性を再考するきっかけとなった。
AIの人間的能力の増大は、社会科学研究にも注目されている。
論文 参考訳（メタデータ） (2024-01-22T10:57:09Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - DeepSpeed4Science Initiative: Enabling Large-Scale Scientific Discovery
through Sophisticated AI System Technologies [116.09762105379241]
DeepSpeed4Scienceは、AIシステム技術革新を通じてユニークな機能を構築することを目指している。
我々は、構造生物学研究における2つの重要なシステム課題に対処するために、DeepSpeed4Scienceで行った初期の進歩を紹介した。
論文 参考訳（メタデータ） (2023-10-06T22:05:15Z) - AI empowering research: 10 ways how science can benefit from AI [0.0]
本稿では,人工知能(AI)が科学的研究に与える影響について考察する。
強力な参照ツール、研究問題の理解の改善、研究質問生成の改善、最適化された研究設計、スタブデータ生成、データ変換、高度なデータ分析、AI支援レポートなど、AIが科学者の仕事に革命をもたらす10の方法を強調している。
論文 参考訳（メタデータ） (2023-07-17T18:41:18Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Artificial intelligence adoption in the physical sciences, natural
sciences, life sciences, social sciences and the arts and humanities: A
bibliometric analysis of research publications from 1960-2021 [73.06361680847708]
1960年には333の研究分野の14%がAIに関連していたが、1972年には全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。
1960年には、333の研究分野の14%がAI(コンピュータ科学の多くの分野)に関連していたが、1972年までに全研究分野の半分以上、1986年には80%以上、現在では98%以上まで増加した。
我々は、現在の急上昇の状況が異なっており、学際的AI応用が持続する可能性が高いと結論付けている。
論文 参考訳（メタデータ） (2023-06-15T14:08:07Z) - Automated Scientific Discovery: From Equation Discovery to Autonomous
Discovery Systems [5.7923858184309385]
本稿では、方程式発見から記号回帰から自律的な発見システムやエージェントまで、自動的な科学的発見を調査する。
我々は、Adamシステムに関する先駆的な研究から、物質科学から天文学まで、現在の分野への取り組みまで、クローズドループ科学発見システムを紹介する。
レベル5の最大レベルは、科学的知識の創出において人間の介入を必要としないと定義されている。
論文 参考訳（メタデータ） (2023-05-03T16:35:41Z) - Quantifying the Benefit of Artificial Intelligence for Scientific Research [2.4700789675440524]
我々は、科学研究におけるAIの直接的な利用とAIの潜在的利益の両方を見積もる。
研究におけるAIの利用は科学に広く浸透しており、特に2015年以来急速に成長している。
我々の分析は、AIが多くの科学分野に利益をもたらす可能性があることを示しているが、AI教育とその研究応用の間には顕著な断絶がある。
論文 参考訳（メタデータ） (2023-04-17T08:08:50Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳（メタデータ） (2021-11-27T00:55:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。