Tendencias en la gestión del conocimiento en la era de la inteligencia artificial: Un análisis bibliométrico

Abstract

Abstract: At the convergence of artificial intelligence (AI) and knowledge management, this bibliometric study, based on PRISMA-2020, seeks to examine research trends in knowledge management in the AI era. The thematic evolution, from philosophy of technology to machine learning, reflects the adaptation to emerging trends. Keywords such as "knowledge discovery," "deep learning," and "artificial intelligence" highlight dynamic areas of interest. Para la base de datos Scopus: TITLE ("Knowledge Management" OR "Knowledge Sharing" OR "Knowledge Organization" OR "Knowledge Retrieval" OR "Knowledge Representation" OR "Knowledge Capture" OR "Knowledge Dissemination" OR "Knowledge Transfer" OR "Knowledge Discovery" OR "Knowledge-based Systems") AND TITLE ("Artificial Intelligence" OR "AI" OR "Machine Learning" OR "Deep Learning") Para la base de datos Web of Science: TI= ("Knowledge Management" OR "Knowledge Sharing" OR "Knowledge Organization" OR "Knowledge Retrieval" OR "Knowledge Representation" OR "Knowledge Capture" OR "Knowledge Dissemination" OR "Knowledge Transfer" OR "Knowledge Discovery" OR "Knowledge-based Systems") AND TI= ("Artificial Intelligence" OR "AI" OR "Machine Learning" OR "Deep Learning") 2.4.

Headnote

Resumen: En la convergencia de la inteligencia artificial (IA) y la gestión del conocimiento, este estudio bibliométrico, basado en PRISMA-2020, busca examinar tendencias investigativas en la gestión del conocimiento en la era de la IA. Destacando la importancia de esta sinergia en la optimización de procesos, identifica años clave como 2018, 2020 y 2022, señalando creciente atención. Investigadores como Holzinger y Jurišiča emergen como referentes. La evolución temática, desde filosofía de tecnología hacia aprendizaje automático, refleja adaptación a tendencias emergentes. Palabras clave como "Descubrimiento del conocimiento", "Aprendizaje profundo" e "Inteligencia artificial" resaltan áreas dinámicas de interés. Concluye que este análisis informará futuras investigaciones y decisiones estratégicas en la gestión del conocimiento en la era de la inteligencia artificial.

Palabras-clave: Aprendizaje automático, PRISMA-2020, Inteligencia artificial, Gestión del conocimiento, Optimización de procesos.

Abstract: At the convergence of artificial intelligence (AI) and knowledge management, this bibliometric study, based on PRISMA-2020, seeks to examine research trends in knowledge management in the AI era. It highlights the importance of this synergy in process optimization and identifies key years such as 2018, 2020 and 2022, signaling growing attention. Researchers such as Holzinger and Jurišiča emerge as referents. The thematic evolution, from philosophy of technology to machine learning, reflects the adaptation to emerging trends. Keywords such as "knowledge discovery," "deep learning," and "artificial intelligence" highlight dynamic areas of interest. It concludes that this analysis will inform future research and strategic decisions in knowledge management in the age of artificial intelligence.

Keywords: Machine learning, PRISMA-2020, Artificial intelligence, Knowledge management, Process optimization.

1. Introducción

En la era de la inteligencia artificial, la gestión del conocimiento se ha convertido en un campo esencial que une la tecnología avanzada con la optimización de los procesos de conocimiento. La integración de la IA en este ámbito ha revolucionado cómo se captura, almacena y utiliza el conocimiento. Ejemplos de investigaciones en esta convergencia incluyen el marco de asesoramiento académico basado en IA propuesto por Bilquise y Shaalan (2022), la aproximación de inteligencia artificial para apoyar la gestión del conocimiento en la selección de técnicas de creatividad e innovación presentada por Botega y da Silva (2020), y el análisis de la transferencia de conocimiento entre sistemas de inteligencia artificial por Tyukin et al. (2018). Estas investigaciones subrayan la importancia creciente de fusionar la inteligencia artificial y la gestión del conocimiento para mejorar la eficiencia y la toma de decisiones en diversos contextos organizativos.

La gestión del conocimiento en la era de la inteligencia artificial es un campo crucial que ha revolucionado la adquisición, almacenamiento y aplicación del conocimiento. La transferencia de conocimiento entre sistemas de IA, explorada por Tyukin et al. (2018), amplía las capacidades de las máquinas, mientras que Kumarasinghe et al. (2020) fusiona redes neuronales y gestión del conocimiento. En el ámbito médico, Phan et al. (2022) destacan el valor de la inteligencia artificial para mejorar la gestión del conocimiento en entornos críticos. Estas investigaciones resaltan el papel esencial de la gestión del conocimiento en la era de la inteligencia artificial, impulsando avances interdisciplinarios y soluciones innovadoras.

En el contexto de la era de la inteligencia artificial, la gestión del conocimiento muestra avances, pero persisten vacíos, justificando una bibliometría. Un vacío es la falta de estructura conceptual que integre gestión del conocimiento e inteligencia artificial de manera efectiva, como evidenciado por Phan et al. (2022). Se requiere desarrollar marcos más comprehensivos para abordar esta convergencia en distintas industrias. Además, la identificación y transferencia de conocimiento en entornos automatizados necesita enfoques sólidos. La interacción socio-cultural y los aspectos éticos también requieren análisis. Esta bibliometría busca cubrir estas lagunas al ofrecer una visión completa de las tendencias emergentes en la intersección de la gestión del conocimiento y la inteligencia artificial. Por tanto, se tiene que el objetivo de la presente investigación es examinar las tendencias investigativas sobre gestión del conocimiento en la era de la inteligencia artificial. Por lo cual, además, se plantean las siguientes preguntas de investigación:

- ¿Cuáles son los años donde más intereses se ha presentado sobre gestión del conocimiento en la era de la inteligencia artificial?

- ¿Qué tipo de crecimiento presenta la cantidad de artículos científicos sobre gestión del conocimiento en la era de la inteligencia artificial?

- ¿Cuáles son los principales referentes investigativos sobre gestión del conocimiento en la era de la inteligencia artificial?

- ¿Cuál es la evolución temática derivada de la producción científica sobre gestión del conocimiento en la era de la inteligencia artificial?

- ¿Cuáles son las palabras clave crecientes y emergentes en el campo de investigación de gestion del conocimiento en la era de la inteligencia artificial?

- ¿Cómo se clasifican las palabras clave de la literatura científica sobre gestión del conocimiento en la era de la inteligencia artificial según su función?

2. Metodología

Este estudio empleó un análisis bibliométrico basado en la metodología PRISMA, como propuesto por Page et al. (2021), para examinar la investigación en gestion del conocimiento en la era de la IA. Este enfoque garantiza la rigurosidad al seleccionar artículos y extraer datos, permitiendo una evaluación precisa de la convergencia entre ambos campos.

2.1. Criterios de elegibilidad

Para esta bibliometría sobre la gestión del conocimiento en la era de la inteligencia artificial, se aplican criterios de inclusión que priorizan metadatos clave como "conocimiento administrativo" e "intercambio de conocimientos", junto con sus sinónimos y variaciones terminológicas, enfocados en organizaciones del sector. Además, se ejecutan tres fases de exclusión: la primera elimina indexaciones erróneas, la segunda excluye documentos inaccesibles en el caso de Revisiones Sistemáticas de Literatura, y la tercera descarta indexaciones incompletas y actas de conferencia, con el propósito de asegurar la calidad y coherencia de los metadatos que serán analizados en esta bibliometría. Es relevante mencionar que este análisis se basa exclusivamente en metadatos, lo que permitirá una evaluación cuantitativa objetiva de las tendencias en esta área de estudio.

2.2. Fuentes de información

En esta investigación bibliométrica sobre la gestión del conocimiento en la era de la inteligencia artificial, se optó por utilizar las bases de datos Scopus y Web of Science debido a su prominencia como las principales fuentes de información científica en la actualidad. Estas bases de datos son reconocidas por su exhaustividad y amplio alcance en diversas disciplinas, lo que las convierte en herramientas idóneas para rastrear y analizar la producción científica relevante. Esta elección está respaldada por el trabajo de Wilches-Visbal et al. (2023), quienes exploraron la clasificación de revistas científicas en Publindex 2022, señalando la relevancia de Scopus y Web of Science en el panorama académico. Estas bases de datos no solo ofrecen una amplia cobertura de revistas y conferencias, sino que también garantizan la calidad y precisión de los datos, lo que es crucial para una investigación bibliométrica sólida y confiable en el ámbito de la gestión del conocimiento en la era de la inteligencia artificial.

2.3. Estrategia de búsqueda

Con el propósito de llevar a cabo una búsqueda precisa y abarcadora en las bases de datos seleccionadas, se idearon dos ecuaciones de búsqueda especializadas. Estas ecuaciones fueron diseñadas para no solo cumplir con los criterios de inclusión predefinidos, sino también para ajustarse a las particularidades de búsqueda de cada base de datos. Para Scopus, la ecuación incorporó términos relacionados con "Gestión del Conocimiento" y "Inteligencia Artificial" en los títulos. Mientras tanto, para Web of Science, se empleó una estructura similar de términos clave para asegurar la exhaustividad en la identificación de registros relevantes. Esta adaptación estratégica de las ecuaciones de búsqueda permitirá una recopilación completa y precisa de los trabajos científicos que tratan sobre la gestión del conocimiento en la era de la inteligencia artificial en ambas bases de datos.

Para la base de datos Scopus: TITLE ("Knowledge Management" OR "Knowledge Sharing" OR "Knowledge Organization" OR "Knowledge Retrieval" OR "Knowledge Representation" OR "Knowledge Capture" OR "Knowledge Dissemination" OR "Knowledge Transfer" OR "Knowledge Discovery" OR "Knowledge-based Systems") AND TITLE ("Artificial Intelligence" OR "AI" OR "Machine Learning" OR "Deep Learning")

Para la base de datos Web of Science: TI= ("Knowledge Management" OR "Knowledge Sharing" OR "Knowledge Organization" OR "Knowledge Retrieval" OR "Knowledge Representation" OR "Knowledge Capture" OR "Knowledge Dissemination" OR "Knowledge Transfer" OR "Knowledge Discovery" OR "Knowledge-based Systems") AND TI= ("Artificial Intelligence" OR "AI" OR "Machine Learning" OR "Deep Learning")

2.4. Gestión de datos

Para llevar a cabo la bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial, se empleó la herramienta Microsoft Excel® con el propósito de extraer, almacenar y procesar la información derivada de cada una de las bases de datos seleccionadas. Además, para la visualización y análisis de redes y gráficos bibliométricos, se recurrió al software gratuito VOSviewer®, así como a Microsoft Excel® para generar representaciones visuales de los diversos indicadores bibliométricos. La utilización de VOSviewer® permitió identificar patrones, relaciones y tendencias en la literatura científica, facilitando la presentación clara y precisa de los resultados obtenidos. Este enfoque metodológico se respalda con el estudio de Oladinrin et al. (2023), quienes realizaron un análisis bibliométrico utilizando VOSviewer®, demostrando su idoneidad en la exploración interrelacional en campos científicos. La combinación de Microsoft Excel® y VOSviewer® ofrece una metodología robusta para examinar y representar los aspectos bibliométricos clave relacionados con la gestión del conocimiento en el contexto de la inteligencia artificial.

2.5. Proceso de selección

Siguiendo los principios de la declaración PRISMA 2020, tal como se destaca en Page et al. (2021), es esencial describir el uso de cualquier clasificador automático interno para respaldar la selección de estudios, junto con la implementáción de validación interna o externa para evaluar la posible pérdida de estudios o clasificaciones inexactas. En congruencia con esta premisa, en el marco de este estudio de bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial, se recurrió a herramientas de automatización en Microsoft Excel® como clasificador interno. Estas herramientas fueron construidas colaborativamente por los investigadores involucrados en el estudio. Cada investigador utilizó de manera independiente esta herramienta en la aplicación de criterios de inclusión y exclusión. Este enfoque, que garantiza la convergencia de resultados, disminuye de manera significativa el riesgo de omisión de estudios relevantes o clasificaciones erróneas. Este enfoque se alinea con los estándares de PRISMA 2020 y asegura la transparencia y robustez en la selección de estudios en el proceso de la bibliometria.

El proceso de esta bibliometria sobre gestion del conocimiento en la era de la inteligencia artificial inició con la identificación inicial de registros a través de la estrategia de búsqueda adaptada en cada fuente de información seleccionada. Esta etapa fue seguida por la eliminación de registros duplicados, garantizando la integridad de la base de datos. Luego, se ejecutaron las tres fases de exclusión previamente delineadas para depurar los registros en función de criterios específicos. Finalmente, después de un análisis minucioso, se logró una selección de 143 artículos que cumplían con los criterios de inclusión, conformando el corpus final de la bibliometria. Este proceso riguroso asegura la calidad y la representatividad de los estudios analizados en esta investigación.

De esta manera, se realizó un análisis bibliométrico sobre la gestión del conocimiento en la era de la inteligencia artificial. El proceso incluyó la identificación de fuentes, eliminación de registros duplicados, y la selección de 143 artículos relevantes. Posteriormente, se efectuó una revisión crítica de estos estudios para identificar tendencias y lagunas en la integración de estas tecnologías. Se emplearon herramientas de análisis bibliométrico para visualizar patrones y se evaluó la calidad metodológica de los estudios, considerando la validez de los métodos, la representatividad de las muestras y la calidad de los datos utilizados.

3. Resultados

A través de esta bibliometría focalizada en la gestion del conocimiento en la era de la inteligencia artificial, se logró un análisis detallado de la producción científica en el campo. El análisis de la Figura 2 revela un crecimiento de tipo polinomial de cuarto grado con una magnitud del 98.09 %, lo que señala un incremento considerable y sostenido en la publicación de artículos relacionados con esta temática. Se observa que los años 2018, 2020 y 2022 destacan como periodos de mayor actividad, indicando un interés sostenido y una evolución en la discusión de la gestión del conocimiento en el contexto de la inteligencia artificial a lo largo del tiempo.

Dentro de esta bibliometría centrada en la gestión del conocimiento en la era de la inteligencia artificial, el análisis de los principales autores ha revelado dos grupos distintivos, como se aprecia en la Figura 3. En primer lugar, un grupo de autores se destaca como referentes en términos de impacto, a pesar de presentar un bajo índice de productividad científica. Entre estos autores figuran Holzinger, Jurišiča y Fowler, Ghosh, Chauduri y Chatterjee. Por otro lado, el segundo grupo de autores referentes emerge debido a su alta productividad científica, en contraste con su número de citaciones. Destacan nombres como AI-Emran, Malik y Shaalan. Esta observación sugiere que los diferentes grupos de autores se han distinguido tanto por su impacto como por su productividad, contribuyendo a enriquecer y diversificar la investigación en la intersección de la gestión del conocimiento y la inteligencia artificial.

Esta investigación bibliométrica, como refleja la Figura 4, ha explorado la evolución temática en la literatura sobre gestión del conocimiento en la era de la inteligencia artificial. Mediante el análisis de la palabra clave más utilizada en cada año de estudio desde 1990 hasta 2023, se ha observado un cambio de enfoque a lo largo del tiempo. En el año inaugural de 1990, destacan la aparición de conceptos como la "filosofía de la tecnología". Sin embargo, a medida que se avanza hacia los años más recientes, se evidencia una creciente preponderancia de términos clave relacionados con el "aprendizaje automático" y la "inteligencia artificial". Estas tendencias temáticas resaltan el cambio de énfasis y la evolución de la investigación en este campo, revelando la influencia de los avances tecnológicos y las necesidades contemporáneas en la temática de la gestión del conocimiento en la era de la inteligencia artificial.

La presente investigación introduce un enfoque novedoso en el análisis bibliométrico de la gestión del conocimiento en la era de la inteligencia artificial, mediante un plano cartesiano bidimensional que cruza la frecuencia de uso de palabras clave con su vigencia temporal, lo que da lugar a cuatro cuadrantes distintos según se observa en la Figura 5. En el cuadrante 2 se identifican términos emergentes de baja frecuencia pero alta vigencia, como "Predictive Models", "Chatbot", "Knowledge transfer" y "Knowledge sharing"; mientras que conceptos sólidos en crecimiento como "Knowledge management", "Machine Learning" y "Artificial Intelligence" se ubican en el cuadrante 1, caracterizado por una frecuencia de aparición constante y continua relevancia.

En el marco de esta bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial, se presenta la Tabla i, que ofrece una clasificación de las principales palabras clave emergentes y crecientes según su función en este campo. Esta clasificación permite una identificación estructurada de las diversas características y aplicaciones de cada función relacionada con la gestión del conocimiento en la era de la inteligencia artificial.

Tabla i - Clasificación de principales palabras clave según su función

Actúa como editor de textos científicos. Estoy realizando una bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial. Quiero crear una clasificación de las palabras clave más importantes. Teniendo en cuenta las principales palabras emergentes como Predictive Models, Chatbot, Knowledge transfer у Knowledge sharing y crecientes como Machine Learning, por favor créame una tabla que en su primera columna tenga cada una de las palabras clave, en la segunda debe tener herramientas asociadas a estas palabras clave entre 3 y 7 palabras, la tercera columna, llamada Aplicaciones, debe contener la principal aplicación de esa herramienta, entre 3 y 7 palabras y la cuarta columna debe llamarse "Características" y entre 3 y 7 palabras debe darme la principal característica de esa aplicación.

4. Discusión

La presente sección de discusión despliega un análisis exhaustivo de los resultados derivados de esta investigación bibliométrica en el ámbito de la gestión del conocimiento en la era de la inteligencia artificial. Por un lado, se examinan detalladamente los hallazgos obtenidos, arrojando luz sobre las tendencias, patrones y relaciones identificadas en la literatura científica. Por otro lado, esta sección aborda las implicaciones prácticas de los resultados, destacando su relevancia y aplicabilidad en contextos reales. Asimismo, se reconocen las limitaciones inherentes al estudio, permitiendo una visión completa y objetiva de su alcance y posibles áreas de mejora. Esta sección de discusión sintetiza tanto los aspectos cuantitativos como cualitativos del estudio, enriqueciendo la comprensión global de la gestión del conocimiento en la intersección con la inteligencia artificial.

4.1. Análisis de los resultados

En el análisis de los resultados de la bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial, se revela un notorio incremento en la producción científica durante los años 2018, 2020 y 2022. En relación al último año, se destaca la investigación de Song, Li y Yao (2022), quienes abordaron la comparativa de la difusión de conocimiento sobre seguridad ocupacional a través de Tweets en francés e inglés, considerando perspectivas de languacultura, lazos débiles-fuertes y sentimiento de IA. Por otro lado, el año 2020 vio la contribución de Wadoux, Samuel-Rosa, Poggio y Mulder (2020), quienes examinaron el descubrimiento de conocimiento y el aprendizaje automático en la cartografía digital del suelo. Estos años de alta actividad investigativa destacan el papel fundamental de la IA en la expansión de la gestión del conocimiento en la última década.

Dentro de la sección de resultados, sobresale la influencia investigativa de autores como Holzinger y Jurišiča (2014), cuyo trabajo "Knowledge discovery and data mining in biomedical informatics: The future is in integrative, interactive machine learning solutions" en el campo de la gestión del conocimiento en la era de la inteligencia artificial, aborda soluciones de aprendizaje interactivo e integrativo en informática biomédica. Por su parte, Fowler et al. (2000) exploran en "The role of Al-based technology in support of the knowledge management value activity cycle" cómo la tecnología basada en IA contribuye al ciclo de valor en la gestion del conocimiento, subrayando su interacción con esta disciplina. Estas investigaciones destacan como pilares clave en la comprensión de la sinergia entre inteligencia artificial y gestión del conocimiento.

Uno de los resultados más significativos de la bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial es el análisis de la evolución temática. En los primeros años, el enfoque se centró en la filosofía de la tecnología, siendo ejemplificado por el trabajo de Mainzer (1990), quien exploró la relación entre sistemas basados en conocimiento, la filosofía de la tecnología y la inteligencia artificial. Sin embargo, la perspectiva ha evolucionado hacia el aprendizaje automático e inteligencia artificial, como lo reflejan las investigaciones de Taherdoost y Madanchian (2023) y Greenberg et al. (2021). Estos conceptos modernos son cruciales para comprender la actualidad de la temática, resaltando la convergencia entre la gestión del conocimiento y la aplicación de la inteligencia artificial en la toma de decisiones y la mejora de la eficiencia en diversos campos.

En el análisis de resultados, resalta el cuadrante 2 del plano cartesiano, donde se encuentran términos emergentes en la gestión del conocimiento con inteligencia artificial: "modelos predictivos", "chatbot" y "Aprendizaje profundo". Estos conceptos representan tendencias de vanguardia con gran impacto. Los modelos predictivos permiten decisiones informadas basadas en datos (Bilquise & Shaalan, 2022), los chatbots mejoran interacciones con inteligencia artificial (Kumarasinghe et al., 2020). Estos conceptos forjan la actualidad y futuro de la gestión del conocimiento y la inteligencia artificial.

El cuadrante 1 de la investigación resalta conceptos fundamentales y en crecimiento en el análisis bibliométrico de la gestión del conocimiento con inteligencia artificial. Términos clave como "Knowledge management," "Machine Learning" y "Artificial Intelligence" (Botega & da Silva, 2020; Bilquise & Shaalan, 2022) mantienen una presencia constante y relevante, estableciendo la base del estudio. Este enfoque bidimensional permite visualizar la evolución de estos conceptos y distinguir tendencias emergentes en el cuadrante 2 de pilares consolidados en el cuadrante 1.

4.2. Limitaciones e implicaciones prácticas

En el contexto de la presente bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial, es importante destacar algunas limitaciones inherentes al estudio. Si bien se utilizó una metodología sólida basada en PRISMA-2020 y se emplearon fuentes de datos reconocidas como Scopus y Web of Science, es posible que algunos trabajos relevantes pudieran no haber sido incluidos debido a restricciones en la selección de bases de datos o a la elección de términos de búsqueda específicos. Además, aunque las herramientas como Microsoft Excel® y VOSviewer® brindaron valiosas perspectivas bibliométricas, es esencial considerar que el análisis se basa en metadatos y no abarca aspectos cualitativos más profundos de los estudios. Estas limitaciones son importantes para una interpretación informada de los resultados obtenidos.

La bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial tiene implicaciones prácticas significativas. El cambio en la evolución temática, enfocándose en aprendizaje automático e inteligencia artificial en lugar de filosofía de la tecnología, guía la generación de nuevo conocimiento y estrategias. El análisis de palabras clave emergentes como "modelos predictivos", "chatbot" y "Aprendizaje profundo", y crecientes como "Machine Learning", ofrece una base sólida para la investigación y la gestión del conocimiento en este contexto.

Los resultados de este análisis bibliométrico ofrecen implicaciones prácticas significativas para la gestion del conocimiento en la era de la inteligencia artificial. La identificación de términos emergentes señala áreas prometedoras para la innovación y la asignación de recursos, mientras que el enfoque en conceptos consolidados proporciona una base sólida para estrategias futuras. Esta perspectiva guía la toma de decisiones informadas en la planificación y ejecución de estrategias de gestión del conocimiento en este contexto.

5. Conclusiones

En conclusión, esta bibliometría sobre gestión del conocimiento en la era de la inteligencia artificial ha arrojado valiosas perspectivas sobre la evolución y tendencias en el campo. Los años clave de interés se han destacado como 2018, 2020 y 2022, señalando la creciente atención a esta área de estudio. El análisis de crecimiento polinomial de cuarto grado en la producción científica subraya el crecimiento sostenido y el impacto en la comunidad académica.

Los principales referentes investigativos identificados, como Holzinger y Jurišiča, proporcionan una base sólida para futuras investigaciones. La transformación temática de la filosofía de la tecnología al enfoque actual en aprendizaje automático e inteligencia artificial refleja la rápida evolución y adaptación del campo a las tendencias emergentes.

En síntesis, la aplicación del plano cartesiano en el análisis bibliométrico de la gestión del conocimiento en la era de la inteligencia artificial ha revelado patrones claros entre términos emergentes y consolidados. Esta metodología ofrece una guía estratégica para la innovación y el enfoque continuo en investigación y desarrollo. Al identificar las tendencias clave, esta investigación proporciona una valiosa herramienta para la toma de decisiones informadas en la gestión del conocimiento en el contexto de la inteligencia artificial.

En última instancia, la clasificación de palabras clave según su función resalta la necesidad de profundizar en conceptos clave para impulsar futuras investigaciones en este ámbito en constante evolución. Estas conclusiones aportan una comprensión sólida y actualizada que orientará investigaciones futuras y la toma de decisiones estratégicas en el campo de la gestión del conocimiento en la era de la inteligencia artificial.

Sidebar

Recebido/Submission: 22/09/2023

Aceitação/Acceptance: 27/12/2023

References

Referencias

Bilquise, G., &Shaalan, K. (2022). AI-based Academic Advising Framework: A Knowledge Management Perspective. International Journal of Advanced Computer Science and Applications, 13(8). 10.14569/IJACSA.2022.0130823

Botega, L. F. D. C., & da Silva, J. C. (2020). An artificial intelligence approach to support knowledge management on the selection of creativity and innovation techniques. Journal of Knowledge Management, 24(5), 1107-1130. https://doi.org/1o.11o8/ JKM-10-2019-0559

Fowler, A. (2000). The role of Al-based technology in support of the knowledge management value activity cycle. The Journal of Strategic Information Systems, 9(2-3), 107-128. https://doi.org/io.ioi6/So963-8687(oo)ooo4i-X

Greenberg, J., Zhao, X., Monselise, M., Grabus, S., & Boone, J. (2021). Knowledge organization systems: a network for AI with helping interdisciplinary vocabulary engineering. Cataloging & Classification Quarterly, 59(8), 720-739. https://doi.or g/10.1080/01639374.2021.1995918

Holzinger, A., & Jurišiča, I. (2014). Knowledge discovery and data mining in biomedical informatics: The future is in integrative, interactive machine learning solutions. Interactive knowledge discovery and data mining in biomedical informatics: state-of-the-art and future challenges, 1-18. https://doi.org/1o.1oo7/978-3-66243968-5.1

Kumarasinghe, K., Kasabov, N., & Taylor, D. (2020). Deep learning and deep knowledge representation in Spiking Neural Networks for Brain-Computer Interfaces. Neural Networks, 121,169-185. https://d0i.0rg/10.1016/j.neunet.2019.08.029

Mainzer, К. (1990). Knowledge-based systems: Remarks on the philosophy of technology and artificial intelligence. Journal for General Philosophy of Science, 21, 47-74. https://d0i.0rg/10.1007/BF01801416

Oladinrin, О. T., Arif, M., Rana, M. Q., & Gyoh, L. (2023). Interrelations between construction ethics and innovation: A bibliometric analysis using VOSviewer. Construction Innovation, 23(3), 505-523. https://d0i.0rg/10.1108/CI-07-20210130

Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., ... & Moher, D. (2021). The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. International journal of surgery, 88, 105906. https://d0i.0rg/10.1016/j.ijsu.2021.105906

Phan, A. C., Phan, T. C., 8c Trieu, T. N. (2022). A systematic approach to healthcare knowledge management systems in the era of big data and artificial intelligence. Applied Sciences, 12(9), 4455. https://doi.org/1o.339o/app12o94455

Song, L., Li, R. Y. M., & Yao, Q. (2022). An informal institution comparative study of occupational safety knowledge sharing via French and English Tweets: Languaculture, weak-strong ties and AI sentiment perspectives. Safety science, 147, 105602. https://d0i.0rg/10.1016/j.ssci.2021.105602

Taherdoost, H., 8c Madanchian, M. (2023). Artificial Intelligence and Knowledge Management: Impacts, Benefits, and Implementation. Computers, 12(4), 72. https://doi.org/1o.339o/computers12o4oo72

Tyukin, I. Y., Gorban, A. N., Sofeykov, K. L, 8c Romanenko, I. (2018). Knowledge transfer between artificial intelligence systems. Frontiers in neurorobotics, 12, 49. https:// doi.org/1o.3389/fnbot.2o18.ooo49

Wadoux, A. M. C., Samuel-Rosa, A., Poggio, L., & Mulder, V. L. (2020). A note on knowledge discovery and machine learning in digital soil mapping. European Journal of Soil Science, 71(2), 133-136. https://doi.org/1o.1111/ejss.129o9

Wilches-Visbal, J.H., Castillo-Pedraza, M.C., & Obispo-Salazar, K.J. (2023). Classification of scientific journals Publindex 2022: Scopus/Web of Science or perish?. UIS Health, 55. https://d0i.0rg/10.18273/saluduis.55.e:23028