Lou, W.*, Fu, T., Gao, M., & Xu, Q. (2026). The diffusion of artificial intelligence methods in scientific research: growth pattern, disciplinary variation, and task alignment. Journal of Informetrics, 20(3), 101858. https://doi.org/10.1016/j.joi.2026.101858
人工智能方法正在越来越多地进入科学研究过程，但人们对它如何在不同学科、不同研究任务中扩散和使用，仍缺乏整体了解。已有研究多关注某一类AI技术或某一学科的应用，较少从大规模实证角度刻画AI方法在科学体系中的分布、演化与任务对应关系。尤其是在生成式AI快速发展之前，AI方法已经以何种方式嵌入科研流程，这一问题尚未得到系统回答。
本研究基于Web of Science 2000至2022年的27,636,491篇论文，结合Papers with Code的任务导向AI方法分类体系，构建了一个三级分类系统，包含7个一级类别、362个方法集合和2,853种具体AI方法。研究采用三轮LLM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，识别出361,480篇AI应用论文，覆盖867种不同AI方法。研究进一步将论文任务归入四个研究生命周期阶段：研究设计与理论准备、假设构建与建模、实验实施与验证、结果生成与转化。
研究发现，AI应用的论文在2018至2022年间几乎增长三倍，到2022年已出现在至少120个WoS子领域。不同学科的采用率差异明显，工程科学最高，人文艺术最低，这种差异与学科知识形态和数据特征有关。在引用多种AI方法的应用论文中，方法使用呈现出任务层面的分化：可解释的经典方法更多出现在知识获取与假设构建阶段，深度学习方法在实验验证阶段最为突出，而专门优化方法则集中在结果生成与转化阶段。经典方法与新方法长期共存，并未出现简单的替代关系。
研究将AI在科学中的整合描述为一种功能分层过程，而非单一技术扩散。它说明AI方法的选择更多取决于研究任务的功能需求，而非单纯追求更强工具。该研究也为理解2022年之前AI方法生态如何为生成式AI进入科学奠定基础提供了实证依据。
