Осенняя школа «От данных к графам: Практикум по библиометрическому сетевому анализу»

Как не утонуть в океане научной литературы?
Черты, характерные для современной науки – усложнение структуры знания, растущая специализация и фрагментация научных дисциплин, увеличение числа исследователей и научных групп по всему миру – делают задачу поиска литературы не вполне тривиальной. Наука развивается очень быстро, и количество новых исследований увеличивается экспоненциально. Характер современных исследований становится все более комплексным и сочетает в себе во многом противоположные тенденции: с одной стороны – усиливающуюся специализацию внутри отдельных научных областей, с другой – рост междисциплинарного взаимодействия и появление новых научных направлений. Помимо глобальных тенденций существует разнообразие форматов и источников для выявления научного знания. Научные работы публикуются не только в форме книг и публикаций в рецензируемых журналах, но и как материалы конференций, препринты, отчеты, диссертации и пр. Библиографическая информация содержится базах данных научного цитирования, и сегодня таких баз разнообразное множество – от наиболее крупных и авторитетных (Google Scholar, Web of Science, Scopus) до относительно новых, получивших свое развитие относительно недавно (OpenAlex, Lens.org, Dimensions, ResearchGate). Базы данных различаются по степени охвата дисциплин и типам включаемых материалов, что влияет на полноту и репрезентативность представленной в них научной информации. Это также усложняет поиск и систематизацию информации, поскольку существует вероятность упустить из виду важные работы. Наконец, ограничены и ресурсы исследователя – ученые по всему миру давно свыклись с невозможностью прочитать и глубоко проанализировать все опубликованные работы внутри своей области.

Как эффективно использовать автоматизированные инструменты, в том числе ИИ, в поиске научных публикаций?
Развитие больших языковых моделей (Large Language Models, LLM) и технологии обработки естественного языка (Natural Language Proceccing, NLP) дало особый толчок для внедрения инструментов искусственного интеллекта (ИИ) в процесс подбора литературы. Это существенно трансформировало способы работы студентов и исследователей с научной литературой в условиях стремительно меняющегося академического ландшафта. Новые системы, такие как Connected Papers, Semantic Scholar, Elicit, Consensus, ChatPDF, Iris.ai, Research Rabbit, основанные на ИИ, позволяют не только искать, но и кратко излагать материалы опубликованных работ. Любая новая технология таит в себе как риски, так и новые возможности, поэтому знать о преимуществах таких систем любому исследователю никогда не будет лишним.  

На Осенней школы участники познакомятся с методами построения и интерпретации библиометрических сетей, покажет возможности современных научных баз данных и систем, основанных на ИИ и методах обработки естественного языка. Участники узнают, как использовать библиометрический сетевой анализ для поддержки собственных исследовательских проектов. Занятия проводят специалисты, обладающие признанной экспертизой в области библиометрии и сетевого анализа. Участников ждут практические задания, работа с реальными данными и обсуждение исследовательских кейсов.

Регистрация открыта до 25 ноября. Количество мест ограничено, успейте подать заявку уже сейчас!

Школа проводится в рамках проекта «От поиска до анализа: Полный гид по работе с научной литературой», который реализуется командой под руководством младшего научного сотрудника Международного центра анализа и выбора решений Анны Михайловны Семеновой. В состав проекта входят сотрудники МЛ ПСА Ирина Анатольевна Павлова и Наталия Николаевна Матвеева, а Дарья Васильевна Мальцева выступает экспертом.