人工智能方法在科学研究中的扩散：增长模式、学科差异与任务对齐

《Journal of Informetrics》：The diffusion of artificial intelligence methods in scientific research: growth pattern, disciplinary variation, and task alignment

　　

摘要

尽管人工智能在科学领域的应用迅速增长，但AI方法如何融入科学研究仍缺乏深入理解。本研究对该融合过程进行了大规模实证记录，分析了2000年至2022年间Web of Science的27,636,491篇出版物。通过使用来自Papers with Code的任务导向型AI方法分类体系、三轮基于大语言模型的识别流程、文献计量分析、共现网络分析以及熵权TOPSIS评价框架，我们识别出361,480篇AI应用论文，涵盖867种不同的方法。研究发现了三大主要模式。第一，采用AI方法的出版物比例在2018年至2022年间几乎翻了三倍，到期末AI已出现在至少120个WoS子领域中。第二，不同学科的采用率相差一个数量级以上（从工程科学的约9%到人文学科的不足1.5%），这一模式与各学科知识形态的差异相一致。第三，在引用多种AI方法的应用论文中，研究发现围绕四阶段研究生命周期存在任务层面的专业化分工：可解释的经典方法与早期知识获取和假设构建相关，深度学习方法在实验验证阶段最为突出，而专家优化方法则集中在结果生成与转化阶段。这些发现将AI的融入特征化为一种功能分层过程，并表明2022年之前的方法生态为生成式AI在科学中的出现奠定了关键基础。

引言

科学界日益面临与现代知识生产的规模和复杂性相关的一系列挑战。科学文献的快速增长加剧了信息过载，限制了研究人员高效识别相关知识并整合跨领域见解的能力。与此同时，许多当代研究问题所需的分析能力超出了传统方法学途径的范畴，进一步制约了科学工作流程的效率（Altman & Cohen, 2022; Wang et al., 2023）。这些压力使人们重新关注科学体系内信息的产生、处理和使用方式，这正是科学之科学的核心关切（Fortunato et al., 2018）。

在此背景下，人工智能（AI）方法已成为应对这些挑战的重要工具。AI在科学研究中应用的增加反映了向数据密集型和计算增强型研究模式的更广泛转变（Li和Guo, 2025）。AI方法支持广泛的研究活动，包括信息检索、模式识别、假设生成和实验分析，从而扩展了研究人员可用的分析能力（Gill et al., 2024; Hubert et al., 2024; Radanliev, 2025）。这些方法不仅仅是技术工具，它们正嵌入研究工作流程中，塑造着科学任务的执行方式。

尽管AI的存在日益显著，但其融入科学研究的过程并不均匀。现有研究记录了特定AI技术的应用或强调了它们提高研究效率的潜力，但这些研究往往孤立地考察AI或聚焦于特定领域（Branda et al., 2025; Dotsika & Watkins, 2017; Lee et al., 2018）。随着大型语言模型（LLMs）的快速出现，后续学术研究主要聚焦于其对科学的影响（Tyner et al., 2026）。因此，关于AI方法如何在学科间分布、其采用如何随时间演变以及如何应用于不同类型研究任务的系统性理解仍然有限（Magsamen-Conrad and Dillon, 2020; Palm, 2022）。在当前研究环境中，这一问题尤为相关，因为AI工具越来越多地被推广为普遍适用的解决方案，往往未充分考虑学科背景或特定任务需求。

从科学之科学的视角来看，这提出了一个根本性问题：AI方法如何融入科学研究的异质结构中？回答这一问题需要从个别应用转向考察采用和使用的大规模实证模式。为此，本研究采用文献计量和网络方法分析AI方法在科学研究中的扩散与应用。我们使用结合Web of Science出版物和AI方法库的大规模数据集，调查AI方法如何在学科间被采用以及如何在研究过程中被应用。具体而言，本研究探讨以下研究问题：

RQ1：研究中所采用的AI方法在总体上和跨学科层面呈现何种模式？

RQ2：不同的AI方法如何应用于研究生命周期中的不同研究任务？

RQ3：这些模式表明AI方法如何与科学研究结构相整合？

通过回答这些问题，本研究对AI方法如何嵌入科学实践进行了探讨。我们试图从学科差异和研究任务两个维度对其进行记录，为理解AI在当代科学中的角色提供见解，即在大语言模型于2022年盛行之前，新的计算工具如何被纳入现有研究体系。我们选择该年份作为结束点以排除生成式AI模型快速出现的影响，从而使研究能够聚焦考察AI方法在科学中被嵌入的长期模式。探索这些2022年之前的模式可能为最近发生的转型提供重要解读，因为大语言模型的兴起建立在AI方法演进的基础之上。

章节摘要

AI在科学中的概念基础

人工智能融入科学研究已被描述为知识生产中的一个显著发展，AI方法越来越多地出现在多样化的研究场景中（Cruz-Aguilar, 2025）。人工智能涵盖计算机系统执行需要类人智能任务的能力，如学习、推理和问题解决（Messeri和Crockett, 2024）。在科学语境下，AI方法构成一个分层生态系统，

方法

本研究采用一种方法框架来描述AI方法在科学研究中应用的模式。该框架整合了文献计量分析、网络建模和多准则决策方法，以表征AI方法使用在学科和研究语境间的差异。

AI应用论文的总体结果

我们首先基于2000年至2022年间Web of Science（WoS）收录的27,636,491篇论文分析总体趋势，以及AI方法在研究中被采用的趋势。WoS收录的研究论文总数（图1a）呈现整体上升趋势，但由于COVID-19疫情的冲击，2020年至2022年间略有下降。

关于AI应用论文（图1a），AI论文在WoS中的绝对数量和相对比例均呈现持续

讨论

本研究记录了2000年至2022年间AI方法融入科学研究的三种模式：规模的显著扩大、学科间的高度变异，以及贯穿研究生命周期的任务层面专业化。综合来看，这些模式将AI融入科学的过程特征化为一种有结构的、依赖语境的过程，受学科的认识论属性和研究任务的功能需求所塑造。

结论

本研究对2000年至2022年间27,636,491篇WoS出版物中AI方法的融入进行了大规模实证记录，探讨了AI方法如何在学科间分布以及如何应用于研究生命周期中的不同研究任务。

AI应用论文的比例在2018年至2022年间几乎翻了三倍，从0.94%增长到2.31%，反映了加速且广泛分布的采用期。到2022年，AI方法已出现在至少120个WoS

生成式AI使用情况

作者声明使用了Claude Sonnet 4.6进行校对。

CRediT作者贡献声明

Wen Lou：写作——审阅与编辑、写作——初稿、验证、监督、项目管理、方法论、形式化分析、概念构思。Tan Fu：写作——审阅与编辑、写作——初稿、方法论、形式化分析、概念构思。Mingzhu Gao：可视化、验证、软件、数据整理。Qianqian Xu：资源、调查。

Wen Lou|Tan Fu|Mingzhu Gao|Qianqian Xu

南开大学信息与传播学院，中国天津