Шутько Олег Александрович, стажер-специалист по обработке и анализу данных (Data scientist)
Санкт-Петербург
Oleg A. Shutko, Data Scientist Intern
Saint Petersburg
Попцов Александр Владимирович, стажер-исследователь
Санкт-Петербург
Alexander V. Poptsov, Research Intern
Saint Petersburg
Олисеенко Валерий Дмитриевич, научный сотрудник
Санкт-Петербург
Valerii D. Oliseenko, Researcher
Saint Petersburg
В статье рассматривается проблема ориентирования в активно развивающейся области искусственного интеллекта (ИИ). В качестве примера этой области взяты большие языковые модели. В данной работе в качестве инструмента анализа предлагается графовое представление научного сообщества, позволяющее описать структуру взаимосвязей между авторами и выделить исследовательские группы. Также предлагается инструмент выделения ключевых фигур и лидеров мнений. Предполагается, что последующее изучение публикаций таких групп позволит своевременно фиксировать тенденции и принимать на этой основе решения по выбору и внедрению соответствующих технологий. На основе этого подхода построена модель, для чего использовались открытые данные из наукометрических баз: исследователи представлены вершинами графа с дополнительными атрибутами, а их связи — ребрами. Влияние отдельных персон измерялось метрикой центральности PageRank, а скрытые исследовательские группы идентифицировались с помощью алгоритма Louvain. Полученные результаты подтверждают исходные гипотезы: ученые с высоким значением PageRank действительно являются признанными лидерами индустрии, а алгоритм устойчиво выделяет пять кластеров, соотносящихся с реальными исследовательскими и корпоративными структурами. В совокупности предложенная графовая модель может рассматриваться как вспомогательный инструмент для аналитического описания актуального научного ландшафта ИИ и мониторинга исследовательских тенденций.
This paper addresses the challenge of navigating the rapidly evolving field of artificial intelligence (AI), using large language models as a representative example. It proposes a graph-based representation of the scientific community as an analytical tool for describing the structure of relationships between researchers and identifying research groups. The study also introduces an approach for detecting key figures and opinion leaders within the field. The underlying assumption is that analyzing the publications of such groups can help capture emerging trends in a timely manner and support informed decisions regarding the adoption and implementation of relevant technologies. Using this approach, a graph model was constructed based on open scientometric data: researchers are represented as nodes with additional attributes, while their relationships are encoded as edges. The influence of individual authors was quantified using PageRank centrality, and latent research groups were identified through the Louvain clustering algorithm. The results support the initial hypotheses: scholars with high PageRank scores are indeed recognized industry leaders, and the algorithm consistently identifies five clusters corresponding to real research and corporate structures. Overall, the proposed graph model can be considered a supporting tool for analytical characterization of the current AI research landscape and for monitoring emerging scientific trends.
The authors declare that there are no conflicts of interest present.