Uso de inteligencia artificial en gestión de la información: una revisión bibliométrica

Headnote

Resumen: Hoy en día, es evidente transformación económica de los negocios gracias a la incursión de desarrollos tecnológicas como la Inteligencia Artificial (IA), lo cual se ha vuelto frecuente en la gestión de la información para generar valor a los procesos productivos y de servicios. Este estudio tiene como identificar tendencias investigativas en el campo de la inteligencia artificial en la gestión de la información mediante un análisis bibliométrico que pueda dar un contexto sobre futuras direcciones de investigación. Los indicadores bibliométricos se calcularon con los 108 registros arrojados en la base de datos de Scopus, identificando como principales tendencias temáticas: "Decision support system", "Data profiling", "Data quality" y "Query language extensions; y como temas emergentes parte de la agenda futura de investigación a: "Machine learning" "Big Data era" y "Blockchain". Este estudio aportar en cuanto a la identificación de líneas temáticas que pueden generar nuevas teorías y formas de gerenciar en las organizaciones

Palabras-clave: Bibliometría, gestión de la información; Inteligencia artificial; Sistemas de soporte a la decisión.

Abstract: Today, the economic transformation of business is evident thanks to the incursion of technological developments such as Artificial Intelligence (AI), which has become frequent in information management to generate value in production and service processes. This study aims to identify research trends in the field of artificial intelligence in information management through a bibliometric analysis that can provide a context for future research directions. The bibliometric indicators were calculated with the 108 records found in the Scopus database, identifying as main thematic trends: "Decision support system", "Data profiling", "Data quality" and "Query language extensions; and as emerging topics part of the future research agenda: "Machine learning" "Big Data era" and "Blockchain". This study contributes to the identification of thematic lines that can generate new theories and ways of managing in organizations.

Keywords: Bibliometrics, information management; Artificial intelligence; Decision support systems.

1.Introducción

Hoy en día, es evidente transformación económica de los negocios gracias a la incursión de desarrollos tecnológicas como la Inteligencia Artificial (IA), lo cual se ha vuelto frecuente, desde la incorporación de sistemas de asistencia virtual, chatbots hasta sistemas complejos de control de la producción para la gestión de los proceso, en donde la extracción y administración de los datos es lo más valioso (Wang et al., 2021). Ello, ha añadido valor recientemente a la información en las organizaciones, puesto que en la época actual hay una proliferación de datos que está al alcance de todos, que incluso ha mejorado el nivel de consumo de las personas, quienes cada vez exigen más calidad en los productos y servicios y demandan mayor flujo de información con las empresas (Castillo-Clavero et al., 2022).

Así, la gestión de la información es útil en las organizaciones para analizar mediante la recopilación de datos, el pasado y el comportamiento futuro, lo que es indispensable en la toma de decisiones de la compañía para aplicar estrategias que determinen el desempeño, y le ayuden a la empresa al cumplimiento de su objetivo de planificación (Zhao et al., 2018). Por otro parte, la IA se reconoce como el desarrollo de algoritmos que crean máquinas y tecnologías capaces de simular tareas y habilidades humanas de manera más rápida y sin error (Jeong, 2022). Es decir que, con su aplicación mediante algoritmos se mejora la velocidad de procesamiento en todos los servicios industriales. Según lo afirman Lei et al., (2022), ahora es posible gestionar enormes cantidades de datos para generar soluciones a problemas complicados y difíciles que añaden valor como resultado del desarrollo de estos algoritmos inteligentes. Entonces, la IA configura los nuevos sistemas de gestión de información volviéndolos más eficientes con plataformas inteligentes que permiten hacer seguimiento y control sobre las características de las poblaciones usuarias, la captura de información en tiempo real y la eficacia en dar respuesta a información requerida por parte de los clientes (Liu, 2022).

Para las organizaciones, la gestión del conocimiento y la información es crucial para mejorar sus procesos, puesto que, los tomadores de decisiones siempre buscan combinar diferentes tipos de datos y conocimientos disponibles en la empresa (Metaxiotis et al., 2003). Además, para Olan et al., (2022), las empresas se están orientando cada vez más a convertirse en organizaciones del conocimiento, es decir, compañías donde la información es el activo medular que permite para todos los stakeholders, la transformación de la información y el conocimiento individual, en conocimiento organizacional útil para sus procesos productivos y de servicios. Ello, dado que según Yllmaz (2016), la manera en que una empresa gestiona (crea, comparte y reutiliza) su información disponible, soportando estas actividades en el uso inteligente del conocimiento, puede determinar una ventaja competitiva sostenible en la industria.

De acuerdo con Chen et al., (2022), en los últimos años se han visto innumerables aplicaciones de la IA en muchas disciplinas, incluyendo la óptica, la ingeniería, la medicina, las finanzas, la economía y la educación, confluyendo todas en un mismo factor diferenciador: la gestión de la información, lo que, sin duda, ha mejorado los servicios de estos variados sectores económicos. Lo anterior, probablemente justifica el reciente aumento en la producción académica sobre la automatización inteligente de muchas tareas relacionadas con la administración de recursos, utilizando la IA, aun cuando estudios han debatido sobre la carencia de una comprensión integral de los impactos de la utilización de estas tecnologías y de la falta de claridad misma del concepto de IA.

Igualmente, el estudio de este campo de conocimiento se ha justificado por las grandes expectativas sobre el impacto que pueden tener estas tecnologías, tanto el sector público como el privado, quienes han invertidos para su investigación, desarrollo y aplicación (White & Lidskog, 2021). Para ejemplificar, Kröger (2021), indica que la incursión de la IA no solo hace que ciertas actividades sean más rápidas y eficientes, sino que también las afecta paulatinamente, cambiando las dinámicas sociales, dada la forma en que el humano se relaciona, se comunica y accede a los nuevos volúmenes de información, volviéndose casi dependiente de ellas.

Sin embargo, según Borges et al., (2021), a pesar de estas inquietudes y también, del gran potencial de las tecnologías de IA para la resolución de problemas y realización de actividades complejas, todavía existen dificultades asociadas con el conocimiento del desarrollo de algoritmos y la automatización de actividades humanas, así como también, del uso práctico de la gestión de los datos y la información para crear valor empresarial. Todo ello, incluyendo el desconocimiento de la definición de la IA, los impactos de sus aplicaciones actuales y las que aún faltan por consolidarse en esta nueva economía basada en el conocimiento que ha obligado a los negocios a migrar hacia el uso de herramientas tecnológicas inteligentes para ser sostenibles en el tiempo, evidencian que es imperativo aunar esfuerzos por seguir aumentando el cuerpo de conocimiento sobre esta temática tan discutida.

Considerando lo anterior, este estudio tiene como objetivo, identificar tendencias investigativas en el campo de la inteligencia artificial en la gestión de la información a partir de un análisis bibliométrico que pueda dar un contexto sobre futuras direcciones de investigación y la evolución temática del campo. En este sentido, Raman et al., (2022), define los estudios bibliométricos como un instrumento para medir el desempeño y evolución de un área de conocimiento, a través de técnicas de análisis como el mapear la interrelación entre temas de investigación o la estimación de indicadores cuantitativos relacionados con citas, autores, instituciones, países, entre otros.

La contribución de este documento radica en que puede ser útil para otros autores no solo para comprender mejor el concepto de la IA, sino también para proponer nuevas líneas de investigación e identificar brechas teóricas, países y grupos de investigación que pueden avanzar en este campo de conocimiento. Este documento tiene la siguiente estructura: en la sección 2 se expone metodología utilizada para llevar a cabo el análisis bibliométrico y se explica al detalle los indicadores calculados; en la sección 3 se presenta la interpretación y discusión de los resultados. Finalmente, la Sección 4 describe las principales conclusiones.

2. Metodología

De acuerdo con el objetivo de investigación propuesto para el desarrollo de la investigación, se plantea una revisión de literatura, es decir, de fuentes secundarias de información, a partir de un análisis bibliométrico, siendo esta, de acuerdo con Donthu et al. (2021) una metodología idónea para explorar y analizar la información existente sobre la actividad científica que se encuentra alojada en las principales bases de datos académicas y científicas. Por tanto, esta bibliometría se sustenta en la información indexada en la base de datos internacional de Scopus, ya que esta es una de las principales bases de datos de información académica y científica, por medio de la cual investigadores tienen acceso a información de actualidad, de mayor especialidad y de preponderancia por temáticas tecnológicas (Singh et al., 2021).

Por tanto, una vez se seleccionó la base de datos para la búsqueda de información secundaria, se establecen parámetros o criterios de búsqueda que tienen que ver con la temática central, como lo es la aplicación o uso de Inteligencia artificial para la gestión de la información, por lo cual, se establece la siguiente ecuación especializada de búsqueda:

TITLE ("Information management") AND TITLE ("Artificial intelligence")

OR KEY ("Information management") AND KEY ("Artificial intelligence")

El resultado de la aplicación de la ecuación a la fuente de datos permitió extraer un total de 108 documentos que se encuentran entre los años 1983 y 2022. Estos resultados fueron analizados y gestionados a partir de la herramienta ofimática de Microsoft Excel®, por medio de la cual se clasificaron los datos en los diferentes indicadores bibliométricos plasmados en los resultados. Así mismo, se utilizó el software de acceso libre VOSviewer para la generación de redes de coocurrencia, que permitiese hallar conexiones temáticas, así como las principales tendencias de investigación sobre la aplicación de la inteligencia artificial a la gestión de la información.

3. Resultados

Los indicadores de cantidad son aquellos que cuantifican la literatura científica a partir de la cantidad de publicaciones (Arias-Ciro, 2020) lo que permite identificar los niveles de productividad académica. Este indicador, de acuerdo con la Figura 1, permite comprender, inicialmente, que los estudios sobre inteligencia artificial en gestión de la información indexados en la base de datos Scopus, se han dado a la comunidad académica desde el año 1983 hasta el 2022. Adicionalmente, se evidencia un importante crecimiento en el ritmo de publicaciones en los últimos años, teniendo que, el año que da cuenta de una mayor productividad académica es el año 2021, con un total de 13 publicaciones, seguido del año 2022 que presentó un acumulado de 9 publicaciones relacionadas a la temática central; en tercer término, se tiene que en el año 2019 se publicó un total de 8 estudios. Además, se tiene que otro año relevante, con relación a la publicación científica relacionada con inteligencia artificial en gestión de la información, fue el año 2011, donde se registró un total de 8 publicaciones.

Con relación al análisis de los indicadores de cantidad o productividad por revistas, se puede observar, por medio de la Figura 2, las revistas que han realizado publicaciones de contenido académico y científico sobre inteligencia artificial en gestión de la información en la actualidad. En ese sentido, la revista que posee una mayor productividad científica es la revista alemana Lecture Notes in Computer Science, la cual, con un total de 8 publicaciones, se enfoca en la publicación de trabajos que abordan aspectos asociados directa e indirectamente con la informática, por lo que en esta revista se encuentran artículos que abordan la gestión inteligente de la información a partir de inteligencia artificial, como lo es el artículo de Weigang et al. (2017) aplicado al contexto de la gestión del tráfico aéreo.

En segundo lugar, con relación al número de publicaciones totales, se tiene a la revista inglesa Journal of Physics: Conference Series quien, en la actualidad, da cuenta de un total de 6 investigaciones relacionadas al estudio de inteligencia artificial en gestión de la información; dicha revista se enfoca en la divulgación ágil y versátil de información científica de diferente naturaleza, que aplicada a la temática se entrelaza con la publicación de estudios que utilizan inteligencia artificial para el diseño de sistemas de gestión de la información de los diferentes costos asociados a diferentes proyectos (Yang, 2021).

Los indicadores de cantidad por país del presente análisis bibliométrico permitieron evidenciar, como se indica en la Figura 3, los 10 países que, en la actualidad, poseen un mayor desarrollo de publicaciones o mayor productividad académica y científica, con relación a la publicación de trabajos investigativos sobre inteligencia artificial en gestión de la información. Así, se puede observar que es China el país más productivo a la fecha con un total de 38 publicaciones relacionadas; específicamente, la publicación más reciente realizada en el contexto chino se titula "Design of the Physical Fitness Evaluation Information Management System of Sports Athletes Based on Artificial Intelligence", que aporta información a la literatura científica con relación a la aplicación de Inteligencia Artificial al diseño de un sistema que permitiera gestionar la información de evaluación de aptitud física en deportistas, lo cual amplió el margen de toma de decisiones para implicados, es decir, deportistas y entrenadores (Liu y Zhu, 2022).

Posteriormente se encuentra Estados Unidos quien, en la actualidad, posee un total de 24 investigaciones relacionadas al estudio de inteligencia artificial en gestión de la información; las últimas publicaciones efectuadas en el contexto estadounidense dan cuenta de un enfoque analítico, crítico y reflexivo sobre los desafíos que tiene el profesional en gestión de registros e información a partir de los avances y desarrollos constantes de la Inteligencia Artificial (Xie, Siyi y Han, 2022).

Por otro lado, el presente análisis bibliométrico permitió identificar la principal red de coocurrencia de palabras clave en estudios sobre inteligencia artificial en la gestión de la información. Estas redes de coocurrencia permiten mapear la literatura científica y plantear afinidades temáticas a partir de la utilización conjunta de palabras clave (Radhakrishnan et al., 2017). En ese sentido, se propone la Figura 4 que, a partir de 3 clústeres temáticos caracterizados con un color diferente, establece la afinidad temática de la literatura científica sobre inteligencia artificial en gestión de la información. Así, se observa que el cluster temático central es el azul, compuesto de forma protagónica por "Decision support systems" (Sistemas de soporte a la decisión", y otros conceptos como "Data profiling" (perfilado de datos), "Data quality" (calidad de datos), "Big Data" (Grandes volúmenes de datos) y "Query language extensions" (extensiones de lenguage de consulta); estos conceptos fueron utilizados conjuntamente por Mendes, Dong y Sampaio (2015) con el propósito de facilitar el proceso de creación de perfiles, así como el análisis de grandes volúmenes o conjuntos de datos, razón por la cual se propone un marco integral que combina la gestión de datos, con la creación de perfiles de datos.

En segundo término, se tiene el cluster temático rojo, conformado por los términos de "Automation techniques" (técnicas de automatización), "Management information systems" (Gestión de los sistemas de información), "Federal program management"(Gestión del programa federal), y "Decision-making support framew" (marco de apoyo a la toma de decisiones), usandos conjuntamente en artículos que describen los primeros artículos sobre la temática, con relación a la importancia de la gestión de la información para la toma de decisiones (Carlson, 1988). Finalmente, se tiene el cluster temático verde con conceptos como "agrifood" (agroalimentos), "business strategy" (estrategia empresarial) y "Logistics" (logística), asociados directamente para describir el proceso de toma de decisiones estratégicas a partir de la gestión de la información en el sector agroalimentario (Kamariotou et al., 2017).

Finalmente, el análisis de palabras clave permite identificar el comportamiento de las mismas en términos de frecuencia y vigencia para establecer el protagonismo que tienen en la literatura actual sobre inteligencia artificial en gestión de la información, por lo cual se propone la Figura 5, la cual, a partir de un plano cartesiano, establece como eje X la frecuencia o cantidad de veces que ha sido usado cada concepto, mientras que el eje Y habla del promedio de año de uso de este mismo concepto. En ese sentido, se tienen cuatro cuadrantes diferentes, donde el cuadrante 4 indica los conceptos más frecuentes en la temática, pero menos vigentes, que significa el posicionamiento de conceptos que fueron protagónicos en periodos de tiempo pasados, por lo cual se denominan conceptos decrecientes. En este cuadrante solo se tiene el término de "Decision support system" (sistema de soporte a la decisión) que fue importante a comienzos de la década anterior para entender la integración y extracción de datos, por medio de inteligencia artificial, a la gestión de la información, para la toma de decisiones (Peng et al., 2011).

Posteriormente, se tiene el Cuadrante 3, por medio se establecen las palabras clave menos frecuentes y vigentes en la temática, es decir, que pierden protagonismo para futuras agendas investigativas, entre los que se encuentran "Agents" (Agentes), "Ambient intelligence" (Inteligencia ambiental), "database" (base de datos), "Modeling aspect" (Aspecto de modelado), entre otros conceptos.

Por último, se tiene el cuadrante 2 donde se tienen conceptos que, si bien no están entre los más frecuentes en la temática, se posicionan entre los más vigentes, por lo que se les considera como palabras clave emergentes en el campo investigativo. En ese sentido, se tienen conceptos como "Machine learning" (aprendizaje automático), y "BPNN". BPNN es un modelo matemático de aprendizaje automático que se usa para la gestión de la información en salud (Ma et al., 2021), "Big Data era" (Era de Big Data) como contexto histórico que ha planteado grandes desafíos para la gestión de la información y la gestión empresarial (Li, 2020) y "Blockchain" (Cadena de bloques), que es una tecnología que, junto con la inteligencia artificial, ha sido utilizada para el desarrollo de sistemas de gestión de la información en contextos como el estudiantil, para lograr mayores niveles de seguridad y confiabilidad (Abdulhadi, Ibraheem y Hasan, 2022), entre otros conceptos.

4.Conclusiones

El presente análisis bibliométrico pone en evidencia la importancia que ha adquirido las gestión de los datos y la información a través de distintas aplicaciones de la IA. Ello, como resultado del auge en la era actual de conocimiento disponible con la incursión del internet y las novedosas tecnologías. Como consecuencia, la IA se ha posicionado como una tendencia creciente en la producción académica en la ultima década, destacándose el año 2021 como el año más productivo. Esto, además, permite concluir que la IA fue una respuesta a los dos años de crisis derivados por la Pandemia de la COVID-19, que, sin duda, demandó alto niveles de información y nuevos requerimientos para el tráfico excesivo de los datos generados por la digitalización obligada por la contingencia.

Los resultados obtenidos en el análisis de coocurrencia de palabras claves se centran en temas que están vigentes para los investigadores actuales y futuros del campo de la inteligencia artificial en la gestión de la información. Ente ellos se identifican como clusters temáticos: Grupo1 1: Combina investigaciones asociadas al proceso de análisis de grandes volúmenes de datos y la necesidad de crear de perfiles de datos para su gestión; Grupo 2: las investigaciones relacionadas con la conceptualización y las técnicas de automatización usados para la gestión de la información para la toma de decisiones; Grupo 3: los estudios articulados con el proceso de toma de decisiones estratégicas basados en la gestión de la información y aplicados al sector agroalimentario.

Los hallazgos de esta investigación contribuyen a aportar desde una perspectiva tanto teóricas como practica en cuanto a la identificación de líneas temáticas que pueden ampliar oportunidades para generar nuevas teorías y formas de gerenciar en las organizaciones.

References

Referencias

Abdulhadi, N. M., Ibraheem, N. A., & Hasan, M. M. (2022). Blockchain-Based Framework for Secure and Reliable Student Information Management System Using Artificial Intelligence. In Mobile Computing and Sustainable Informatics (pp. 753-762). Springer, Singapore. https://doi.org/10.1007/978-981-19-2069-1_52

Arias-Ciro, J. (2020). Bibliometric Study of the Efficiency of Public Expenditure on Education. Revista CEA, 6(11).

Borges, A. F. S., Laurindo, F. J. B., Spínola, M. M., Gonçalves, R. F., & Mattos, C. A. (2021). The strategic use of artificial intelligence in the digital era: Systematic literature review and future research directions. International Journal of Information Management, 57, 102225. https://doi.org/10.1016/J.IJINFOMGT.2020.102225

Carlson, C. K. (1988). Information management approach and support to decisionmaking. Information &Management, 15(3), 135-149. https://doi.org/10.1016/03787206(88)90069-9

Castillo-Clavero, A. M., Sánchez-Teba, E. M., & Martínez-Leiva, A. (2022). Big Data and Artificial Intelligence in the Touristic Sector: Bibliometrics and Applications. In Handbook of Research on Smart Management for Digital Transformation (pp. 1-26). IGI Global. https://doi.org/10.4018/978-1-7998-9008-9.CH001

Chen, M. K., Liu, X., Sun, Y., & Tsai, D. P. (2022). Artificial Intelligence in Meta-optics. In Chemical Reviews. American Chemical Society. https://doi.org/10.1021/ACS. CHEMREV.2C00012

Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070

Dwivedi, Y. K., Hughes, D. L., Coombs, C., Constantiou, I., Duan, Y., Edwards, J. S., ... & Upadhyay, N. (2020). Impact of COVID-19 pandemic on information management research and practice: Transforming education, work and life. International journal of information management, 55, 102211. https://doi.org/10.1016/j. ijinfomgt.2020.102211

Jeong, Y. S. (2022). Secure IloT Information Reinforcement Model Based on IloT Information Platform Using Blockchain. Sensors, 22(12), 1-18. https://doi. org/10.3390/s22124645

Kamariotou, M., Kitsios, F., Madas, M., Manthou, V., & Vlachopoulou, M. (2017). Strategic Decision Making and Information Management in the Agrifood Sector. In International Conference on Information and Communication Technologies in Agriculture, Food & Environment (pp. 97-109). Springer, Cham. https://doi. org/10.1007/978-3-030-12998-9_7

Kröger, W. (2021). Automated vehicle driving: background and deduction of governance needs. Journal of Risk Research, 24(1), 14-27. https://doi.org/10.1080/13669877 .2020.1750465

Lei, X., Hanan, U., Sarlan, A., Shutaywi, M., Daradkeh, Y. I., & Mohammed, H. O. (2022). Development of an intelligent information system for financial analysis depend on supervised machine learning algorithms. Information Processing & Management, 59(5), 103036. https://doi.org/10.1016/J.IPM.2022.103036

Li, Z. (2020). Engineering Cost Information Management in Big Data Era. In Journal of Physics: Conference Series (Vol. 1533, No. 4, p. 042072). IOP Publishing. https:// doi.org/10.1088/1742-6596/1533/4/042072

Liu, G. E. R. I. M. S. B. on B. D. A. I. (2022). Physical Education Resource Information Management System Based on Big Data Artificial Intelligence. Mobile Information Systems, 2022, 1-10. https://doi.org/10.1155/2022/3719870

Liu, H., & Zhu, X. (2022). Design of the physical fitness evaluation information management system of sports athletes based on artificial intelligence. Computational Intelligence and Neuroscience, 2022. https://doi.org/10.1155/2022/1925757

Ma, H., Xiao, J., Chen, Z., Tang, D., Gao, Y., Zhan, S., ... & Keir, M. Y. A. (2021). Relationship between helicobacter pylori infection and type 2 diabetes using machine learning BPNN mathematical model under community information management. Results in Physics, 26, 104363. https://doi.org/10.1016/j.rinp.2021.104363

Mendes, S. F., Dong, C., & Sampaio, P. (2015). DQ2S-A framework for data qualityaware information management. Expert Systems with Applications, 42(21), 83048326. https://doi.org/10.1016/j.eswa.2015.06.050

Metaxiotis, K., Ergazakis, K., Samouilidis, E., & Psarras, J. (2003). Decision support through knowledge management: The role of the artificial intelligence. Information Management and Computer Security, 11(5), 216-221. https://doi. org/10.1108/09685220310500126/FULL/XML

Olan, F., Ogiemwonyi, E., Suklan, J., Nakpodia, F., Damij, N., & Jayawickrama, U. (2022). Artificial intelligence and knowledge sharing: Contributing factors to organizational performance. Journal of Business Research, 145, 605-615. https:// doi.org/10.1016/JJBUSRES.2022.03.008

Peng, Y., Zhang, Y., Tang, Y., & Li, S. (2011). An incident information management framework based on data integration, data mining, and multi-criteria decision making. Decision Support Systems, 51(2), 316-327. https://doi.org/10.1016/j. dss.2010.11.025

Radhakrishnan, S., Erbis, S., Isaacs, J. A., & Kamarthi, S. (2017). Novel keyword cooccurrence network-based methods to foster systematic reviews of scientific literature. PloS one, 12(3), eoi72778. https://doi.org/10.1371/journal.pone.0172778

Raman, R., Nair, V. K., Prakash, V., Patwardhan, A., & Nedungadi, P. (2022). Green-hydrogen research: What have we achieved, and where are we going? Bibliometrics analysis. Energy Reports, 8, 9242-9260. https://doi.org/io.i0i6/J. EGYR.2022.07.058

Singh, V. K., Singh, P., Karmakar, M., Leta, J., & Mayr, P. (2021). The journal coverage of Web of Science, Scopus and Dimensions: A comparative analysis. Scientometrics, 126(6), 5113-5142. https://doi.org/10.1007/s11192-02103948-5

Wang, C., Teo, T. S. H., & Janssen, M. (2021). Public and private value creation using artificial intelligence: An empirical study of AI voice robot users in Chinese public sector. International Journal of Information Management, 61, 102401. https://doi. org/10.1016/J.IJINFOMGT.2021.102401

Weigang, L., Leite, A. F., Ribeiro, V. F., Fregnani, J. A., & Oliveira, I. R. D. (2017). Towards intelligent system wide information management for air traffic management. In International Conference on Security, Privacy and Anonymity in Computation, Communication and Storage (pp. 584-593). Springer, Cham. https://doi. org/10.1007/978-3-319-72389-1_46

White, J. M., & Lidskog, R. (2021). Ignorance and the regulation of artificial intelligence. Journal of Risk Research, 25(4), 488-500. https://doi.org/10.1080/13669877.20 21.1957985

Xie, S. L., Siyi, L., & Han, R. (2022). Competing with artificial intelligence-can the records and information management profession withstand the challenge?. Records Management Journal, 32(2), 151-169. https://doi.org/10.1108/RMJ-08-20210033

Yang, M. (2021). Design of project cost information management system based on intelligent construction. In Journal of Physics: Conference Series (Vol. 1881, No. 4, p. 042084). IOP Publishing.

YIlmaz, R. (2016). Knowledge sharing behaviors in e-learning community: Exploring the role of academic self-efficacy and sense of community. Computers in Human Behavior, 63, 373-382. https://doi.org/10.1016/J.CHB.2016.05.055

Zhao, S., Sun, Y., Zhou, Y., Tang, G., & Zeng, H. (2018). Chemical Production Information Management System Based on Artificial Intelligence Neural Network Algorithm. Chemical Engineering Transactions, 66, 967-972. https://doi.org/10.3303/ CET1866162