Forscher haben ein analytisches Rahmenwerk formuliert, das darauf ausgelegt ist, die sich entwickelnde Themendynamik über heterogene Dokumentenströme der künstlichen Intelligenz hinweg auf mehreren Ebenen der konzeptuellen Abstraktion zu messen und zu vergleichen. Das schnelle Wachstum der künstlichen Intelligenz umfasst diverse Gemeinschaften, darunter akademische Wissenschaftler, die theoretische Durchbrüche anstreben, Ingenieure, die Softwaremodelle entwickeln, und Praktiker, die über kommerzielle Einsätze diskutieren. Diese unterschiedlichen Gruppen halten ihre Fortschritte in divergierenden Textformaten fest, wie etwa wissenschaftlichen Preprints, Open-Source-Repositories und Branchen-Newslettern, die sich in Vokabular, technischer Granularität und zeitlichen Mustern erheblich unterscheiden. Traditionelle szientometrische Werkzeuge haben Schwierigkeiten, diese fragmentierten Archive zu synthetisieren, da sie überwiegend einzelne Quellen auswerten oder auf flachen Themenklassifizierungen basieren, die es versäumen, die mehrstufige strukturelle Entwicklung oder Gemeinschaftsunterschiede zu erfassen. Die in EPJ Data Science veröffentlichte neue Methodik adressiert diese Einschränkungen, indem sie Textdokumente aus unterschiedlichen Quellen in gemeinsame hierarchische Taxonomien einordnet und so eine solide Grundlage für vergleichende Analysen mit mehreren Auflösungen schafft, ohne restriktive Ein-Quellen-Beschränkungen aufzuerlegen oder Ad-hoc-Labeling-Kategorien zu erfinden.