这项研究探讨了不同学术表现系统如何识别和描述公共管理（PA）及与人工智能相关的公共管理（AI-in-PA）学术。通过使用 Web of Science 和 OpenAlex，研究比较了基于作者定义、引用驱动和 AI 辅助表现的五种方法。结果显示，数据集的大小、出版类型、出版渠道、时间发展以及主题聚类和结构存在显著差异。替代方法往往识别出不同的知识领域，而不是同一学术的不同子集，因此产生了不同的表现，且不同表现之间在出版物和出版渠道上没有重叠。这些发现表明，算法知识组织越来越影响跨学科的学术分类、结构和理解方式，并在认识论上影响其可见性、知识结构和边界的表现。AI 驱动的学术分类和表现并非中立，而是具有解释性，可能会自我强化，并限制学科边界的演变和适应。人类的学科判断至关重要，并且是补充而非替代。
博主点评： 这项研究揭示了人工智能在学术领域分类中的潜在偏见与限制，强调了人类判断在学术分类中的重要性。这对未来学术研究的方向具有深远的影响，尤其是在跨学科合作日益增加的背景下。