Des chercheurs ont formulé un cadre analytique conçu pour mesurer et comparer la dynamique évolutive des sujets à travers des flux de documents hétérogènes sur l'intelligence artificielle à plusieurs niveaux d'abstraction conceptuelle. La croissance rapide de l'intelligence artificielle implique des communautés diverses, notamment des scientifiques universitaires à la recherche de percées théoriques, des ingénieurs développant des modèles logiciels et des praticiens discutant de déploiements commerciaux. Ces groupes distincts enregistrent leurs progrès dans des formats textuels divergents, tels que des prépublications scientifiques, des dépôts open-source et des newsletters industrielles, qui diffèrent substantiellement en termes de vocabulaire, de granularité technique et de modèles temporels. Les outils scientométriques traditionnels peinent à synthétiser ces archives fragmentées car ils évaluent principalement des sources uniques ou s'appuient sur des classifications thématiques plates qui ne parviennent pas à capturer l'évolution structurelle à plusieurs niveaux ou les différences entre communautés. Publiée dans EPJ Data Science, la nouvelle méthodologie répond à ces limites en cartographiant des documents textuels provenant de sources disparates dans des taxonomies hiérarchiques partagées, établissant ainsi un fondement rigoureux pour une analyse comparative multi-résolution sans imposer de contraintes restrictives de source unique ni inventer de catégories d'étiquetage ad hoc.