Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
cset15. Juni 2021 · Q005789

Creating a Map of Science and Measuring the Role of AI in it

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht beschreibt eine Wissenschaftskarte aus Publikationsclustern und ein Verfahren, mit dem CSET die Anteile von KI-, Computer-Vision-, Sprachverarbeitungs- und Robotik-Arbeiten je Cluster schätzt. Für Analysen empfiehlt der Bericht, Cluster mit mindestens 50 Prozent erfolgreich klassifizierten Arbeiten und einem Alter von höchstens 20 Jahren zu berücksichtigen; die weitere Nutzung der Anteile wird als zukünftige Arbeit benannt.

Mittel

Der Bericht erläutert, wie CSET mit einem zusammengeführten wissenschaftlichen Publikationsdatensatz, der laut Text rund 90 Prozent der weltweiten Literatur enthält, Forschungscluster bildet und deren Beziehungen auf einer Wissenschaftskarte darstellt. Cluster umfassen Veröffentlichungen, die einander häufiger direkt zitieren; stärker verbundene Cluster werden näher zueinander angeordnet. Sie werden elf breiten Forschungsgebieten zugeordnet.

Einzelne Arbeiten werden als KI-bezogen oder nicht KI-bezogen klassifiziert. Der Bericht nennt dafür ein auf arXiv trainiertes SciBERT-Modell und ein weiteres Verfahren für englischsprachige Arbeiten ab 2010 sowie reguläre Ausdrücke für chinesischsprachige Arbeiten. Zusätzlich werden Labels für Computer Vision, Sprachverarbeitung und Robotik vergeben; mehrere Labels pro Arbeit sind möglich. Daraus berechnet das Team Clusteranteile. Die Karte markiert unter anderem Cluster mit mindestens zehn Prozent KI-Arbeiten. Wie diese Anteile sinnvoll für weitere Analysen genutzt werden, bleibt laut Bericht zukünftiger Arbeit vorbehalten. Für verlässlichere KI-Analysen empfiehlt CSET, nur Cluster einzubeziehen, bei denen mindestens die Hälfte der Arbeiten klassifiziert wurde und die höchstens 20 Jahre alt sind.

Ausführlich lesen

Der Bericht beschreibt, wie CSET mithilfe eines zusammengeführten Datensatzes wissenschaftlicher Veröffentlichungen untersucht, in welchen Forschungsbereichen künstliche Intelligenz (KI) und maschinelles Lernen vorkommen. Der Datensatz umfasst laut Bericht ungefähr 90 Prozent der weltweiten wissenschaftlichen Literatur. Ein automatisiertes Verfahren gruppiert Veröffentlichungen zu Forschungsclustern (RCs). Ein Cluster besteht aus Arbeiten, die sich untereinander häufiger direkt zitieren als Arbeiten außerhalb des Clusters. Die Karte der Wissenschaft ordnet Cluster anhand ihrer Zitationsbeziehungen räumlich an: stärker miteinander verbundene Cluster liegen näher beieinander. Die Cluster lassen sich elf breiten Forschungsgebieten zuordnen, darunter Biologie, Informatik, Medizin, Physik und Sozialwissenschaften.

Für die Analyse klassifiziert der Bericht einzelne Arbeiten als KI-bezogen oder nicht KI-bezogen. Bei englischsprachigen Veröffentlichungen ab 2010 kommt dafür ein auf arXiv-Arbeiten trainiertes SciBERT-Modell zum Einsatz; Arbeiten mit mindestens einem der Labels cs.AI, cs.LG, cs.MA oder stat.ML gelten als KI-Arbeiten. Zusätzlich werden nach dem Verfahren von Dunham und Mitautoren englischsprachige Arbeiten ab 2010 klassifiziert. Chinesischsprachige Arbeiten werden laut Bericht mithilfe von regulären Ausdrücken eingeordnet. Das Klassifikationsverfahren vergibt außerdem Labels für Computer Vision (CV), natürliche Sprachverarbeitung (NLP) und Robotik (RO). Mehrere Labels pro Arbeit sind möglich.

Aus den Einzelklassifikationen berechnet das Team für jedes Cluster den Anteil der KI-, CV-, NLP- und Robotik-Arbeiten. Eine der dargestellten Karten hebt Cluster hervor, in denen mindestens zehn Prozent der Arbeiten als KI-bezogen klassifiziert sind. Der Bericht stellt diese Anteile als Möglichkeit dar, Cluster mit unterschiedlichen KI-Anwendungen zu erkennen. Wie die Prozentwerte künftig sinnvoll für die Untersuchung der Cluster eingesetzt werden können, wird jedoch als Gegenstand weiterer Arbeit beschrieben; eine solche Auswertung legt der Text noch nicht vor.

Für Analysen zu KI-Clustern empfiehlt der Bericht zwei Filter: Mindestens die Hälfte der Arbeiten eines Clusters muss erfolgreich als KI-bezogen oder nicht KI-bezogen klassifiziert worden sein, und das Cluster soll höchstens 20 Jahre alt sein. Damit soll die Stichprobe Cluster mit einer verlässlicheren Messung der KI-Relevanz umfassen, die im betrachteten Zeitraum von 20 Jahren bestanden haben. Die Einschränkungen liegen damit unter anderem in der erfolgreichen Abdeckung der Klassifikation sowie in der Altersgrenze. Die Zusammenfassung der weltweiten Literatur, die Karten und die Ergebnisse beruhen zudem auf dem beschriebenen Datensatz, den Clustern und den jeweiligen Klassifikationsverfahren.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: ok

Beide Zusammenfassungen Lunas (kurz und mittel) geben den Bericht sachlich korrekt wieder; die Anteilswerte in Lunas Einordnung wurden nicht bewertet, da nur Stufen zu prüfen sind. Der Bericht selbst ist eine Methodenbeschreibung zur Kartierung von KI in der Wissenschaft und beantwortet die Sammelfragen zu Selbstverbesserung, Gemeingut und Pausenschwellen nicht.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Herkunft des zusammengeführten Datensatzes (Web of Science, Digital Science, Microsoft Academic Graph, CNKI) wird in keiner der beiden Zusammenfassungen genannt

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 79 %Hintergrund, keine Belege
    • JEV 43 %gleiches Oberthema, hilft nicht
    • amos 48 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Vertrauen in Modelle
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 30 %beantwortet teilweise oder widerspricht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 57 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →