Escolar Documentos
Profissional Documentos
Cultura Documentos
ISSN: 1696-8352
RESUMO
O artigo apresenta uma análise bibliométrica da produção científica na interseção entre
Inteligência Artificial (IA) e os campos de Economia, Econometria e Finanças. Utilizando
a ferramenta Bibliometrix, um pacote R para análise bibliométrica, o estudo examina
artigos da plataforma SciVerse Scopus que incluíram "artificial intelligence" em seus
títulos, resumos e palavras-chave. Os resultados mostram um crescimento exponencial na
Page 21476
ISSN: 1696-8352
ABSTRACT
This article conducts a bibliometric analysis of scientific output at the juncture of
Artificial Intelligence (AI) and the domains of Economics, Econometrics, and Finance.
By employing the Bibliometrix tool, an R package designed for bibliometric analysis, the
research scrutinizes articles from the SciVerse Scopus database that feature "artificial
intelligence" in their titles, abstracts, and keywords. The findings indicate an exponential
surge in AI research applied to economics and finance, particularly pronounced over the
past five years. The study has pinpointed seminal works that significantly contribute to
the literature and has utilized co-occurrence networks to map the interrelations among
various concepts and themes. The analysis suggests that AI is increasingly integral to the
fields of economics and finance, revolutionizing the way research is performed and
implemented. This carries substantial implications for alterations in economic forecasting
methods, fraud detection, portfolio optimization, and the customization of financial
services. This work enriches the understanding of the existing literature, offers insights
for future research, and serves as a resource for researchers, policy-makers, and
practitioners. It demonstrates how AI can reshape conventional fields and underscores the
importance of grasping current trends and patterns in the extant literature to guide
forthcoming inquiries.
1 INTRODUÇÃO
A crescente integração da Inteligência Artificial (IA) nas diversas facetas da vida
quotidiana tem, sem dúvida, deixado uma marca significativa no campo da Economia,
Page 21477
ISSN: 1696-8352
Page 21478
ISSN: 1696-8352
inclui tarefas como aprender, raciocinar, resolver problemas, percepção sensorial, e usar
linguagem de maneira natural (Russell, 2016).
Quanto aos objetivos deste estudo: a) realizar a análise descritiva da amostra e
obter uma visão geral da produção científica na intersecção da IA com a economia,
econometria e finanças; b) identificar os principais trabalhos citados nos artigos da
amostra e entender quais estudos e conceitos têm desempenhado um papel importante na
formação do campo; c) analisar a rede de coocorrência para entender como diferentes
conceitos e temas estão interligados na literatura. A análise da rede de coocorrência pode
nos ajudar a identificar clusters de pesquisa e a entender como diferentes áreas de
pesquisa se relacionam entre si.
Diversos estudos já abordaram o impacto da IA na economia (Agrawal et al.,
2019), na econometria (Mullainathan & Spiess, 2017) e nas finanças (Cao, 2022). No
entanto, a produção científica sobre a interação entre estas disciplinas ainda não foi
sistematicamente analisada. A identificação de tendências, padrões e lacunas no corpus
de literatura poderia proporcionar insights valiosos, ajudando a orientar pesquisas futuras.
Neste artigo, recorreu-se à análise bibliométrica para conduzir um estudo abrangente da
literatura científica existente.
A análise bibliométrica é uma ferramenta metodológica útil para medir a produção
científica numa determinada área. É uma abordagem quantitativa que pode ser usada para
avaliar a relevância da literatura científica, identificar tendências de pesquisa e entender
a estrutura de uma determinada disciplina ou campo científico (Donthu et al., 2021).
No presente estudo, utilizou-se a ferramenta Bibliometrix para o atingimento dos
objetivos levantados. O Bibliometrix é um pacote R para análise bibliométrica e
cientométrica de dados textuais. Oferece uma série de recursos para analisar a produção
científica, incluindo análise descritiva da amostra, identificação dos principais trabalhos
citados nos artigos da amostra, e visualização de rede de coocorrência e rede de cocitação
(Aria & Cuccurullo, 2017b, 2017a).
Este artigo contribui para a compreensão da evolução da literatura sobre a
intersecção da IA com a economia, econometria e finanças, e pode fornecer insights para
futuras pesquisas. Além disso, este estudo será de grande utilidade para pesquisadores,
Page 21479
ISSN: 1696-8352
2 REVISÃO DE LITERATURA
2.1 A EVOLUÇÃO DA INTELIGÊNCIA ARTIFICIAL (IA)
A história da Inteligência Artificial (IA) é uma narrativa fascinante que se estende
por várias décadas, desde os primeiros conceitos teóricos até as aplicações práticas que
vemos hoje.
Conforme exposto na introdução deste trabalho, o termo “Inteligência Artificial”
foi cunhado por John McCarthy na década de 1950, durante a Conferência de Dartmouth,
oficialmente conhecida como Dartmouth Summer Research Project on Artificial
Intelligence, foi um evento seminal para o campo. Foi proposta por John McCarthy,
Marvin Minsky, Nathaniel Rochester e Claude Shannon, quatro pesquisadores
proeminentes na época. Eles propuseram que todos os aspectos da aprendizagem ou
qualquer outra característica da inteligência podem, em princípio, ser tão precisamente
descritos que uma máquina pode ser feita para simular (McCarthy et al., 1955).
Nos anos 1960 e 1970, a IA passou por um período de otimismo e investimento
significativo. Durante esse tempo, os pesquisadores desenvolveram os primeiros sistemas
de IA, como o ELIZA e o SHRDLU. O ELIZA, desenvolvido por Joseph Weizenbaum
no MIT, foi um dos primeiros programas de chatbot, enquanto o SHRDLU, criado por
Terry Winograd, era capaz de entender e responder a comandos em linguagem natural em
um ambiente de blocos de mundo (Weizenbaum, 1966; Winograd, 1972).
Durante o final dos anos 1970 e anos 1980, a IA enfrentou o que ficou conhecido
como “inverno da IA”, um período de ceticismo crescente, redução do financiamento e
desilusão em relação ao campo. Parte dessa desilusão veio do fato de que os problemas
que os pesquisadores estavam tentando resolver eram muito mais difíceis do que
Page 21480
ISSN: 1696-8352
Page 21481
ISSN: 1696-8352
quantidades de texto da internet e de outras fontes, e foi treinado para aprender padrões e
estruturas na linguagem humana. No processo, adquiriu uma quantidade significativa de
conhecimento sobre o mundo (Radford et al., 2018).
O GPT faz parte de um campo mais amplo de pesquisa chamado Inteligência
Artificial (IA). A IA é o estudo de como construir sistemas computacionais que podem
realizar tarefas que normalmente requerem inteligência humana. Isso inclui, mas não se
limita a, aprendizado de máquina, processamento de linguagem natural, visão
computacional e robótica (Brown et al., 2020).
Em resumo, o campo de IA tem experimentado um crescimento notável e
acelerado nos últimos anos, impulsionado por avanços significativos em algoritmos,
aumento da capacidade de processamento e a disponibilidade de grandes volumes de
dados. Vale fazer apresentar alguns pontos de destaque:
▪ Aprendizado Profundo (Deep Learning): as redes neurais profundas, um
subcampo do aprendizado de máquina, têm sido particularmente transformadoras
para a IA. Esses modelos imitam o funcionamento do cérebro humano para pro-
cessar e aprender de dados complexos, e têm sido fundamentais para os avanços
em áreas como processamento de linguagem natural, visão computacional e reco-
nhecimento de fala (Goodfellow et al., 2016).
▪ Modelos de Linguagem: como o BERT (do Google) e o GPT (da OpenAI),
demonstraram um desempenho impressionante em tarefas de compreensão e ge-
ração de texto. Eles são capazes de traduzir idiomas, responder perguntas, e até
mesmo escrever artigos coerentes (Brown et al., 2020; Devlin et al., 2018).
Quanto as aplicações práticas, a IA vem sendo utilizada em uma ampla gama de
setores. Na medicina, por exemplo, a IA tem sido usada para melhorar a precisão do
diagnóstico e para desenvolver tratamentos personalizados (Jiang et al., 2017; Yu et al.,
2018). No setor de transporte, a IA tem impulsionado o desenvolvimento de veículos
autônomos (Wilson et al., 2022; Woschank et al., 2020). Na área financeira, a IA tem sido
usada para detecção de fraudes e tomada de decisões automatizadas (Aziz et al., 2022;
Culkin & Das, 2017; Dixon et al., 2020).
Page 21482
ISSN: 1696-8352
Quanto às questões éticas, à medida que a IA se torna cada vez mais integrada à
sociedade, as questões relacionadas à sua utilização se tornaram cada vez mais
importantes. Isso inclui preocupações sobre privacidade de dados, viés algorítmico,
automação do trabalho e a responsabilidade por decisões tomadas por sistemas de IA
(Bostrom & Yudkowsky, 2014; Etzioni & Etzioni, 2017; Müller, 2020; Nasim et al.,
2022; Nath & Manna, 2023).
Estes são apenas alguns dos muitos desenvolvimentos em IA. À medida que a
tecnologia continua a evoluir, pode-se esperar ver ainda mais avanços em suas aplicações.
3 ABORDAGEM METODOLÓGICA
Os dados usados nessa pesquisa foram coletados no SciVerse Scopus, uma
plataforma mantida pela Elsevier B.V. Optou-se por essa base de devido à sua reputação
estabelecida no meio acadêmico, além de suas capacidades avançadas que possibilitam a
execução de buscas simultâneas em múltiplas fontes respeitadas no âmbito científico.
Para a seleção da amostra, o termo “artificial intelligence” foi buscado nos títulos,
resumos e palavras-chaves de artigos que tinham como área principal “Economia,
Econometria e Finanças” definida pela própria SciVerse Scopus, além disso, definiu-se o
ano de 2022 como o último da busca (o intuito foi não inserir artigos do ano corrente -
2023). Cabe ressaltar que preferiu-se trabalhar somente com artigos de periódicos
científicos, de modo que foram excluídos da amostra todos aqueles publicados em
congressos, capítulos de livros, editoriais, entre outros documentos.
Os dados foram baixados em formato CSV e depois foram importados no software
RStudio para serem trabalhados no pacote Bibliometrix com vistas a atingir os objetivos
traçados no estudo.
O pacote Bibliometrix do R permite a operacionalização de técnicas de análise
bibliométrica e cienciométrica, usadas para visualização de características da produção
científica de um determinado campo ou área de interesse (Aria & Cuccurullo, 2017b,
2017a).
O primeiro objetivo consistiu na descrição da amostra, apresentando informações
sobre a quantidade de trabalhos, quantidade de autores, período da produção, quantidade
Page 21483
ISSN: 1696-8352
Page 21484
ISSN: 1696-8352
4 RESULTADOS
4.1 DESCRIÇÃO DA AMOSTRA
A Tabela 1 apresenta as informações básicas da amostra dos trabalhos sobre IA
na área de Economia, Econometria e Finanças do SciVerse Scopus.
Page 21485
ISSN: 1696-8352
Uma taxa de crescimento anual de 15,25% indica que o campo está em expansão
para a área analisada, mas esse resultado, a princípio, não mostra a verdadeira evolução
recente da pesquisa, que pode ser averiguada a partir do indicador de idade média dos
documentos.
O Document Average Age (DAA) (Idade Média dos Documentos) é um indicador
bibliométrico usado para determinar se um campo de estudo é emergente (trabalhos mais
recentes) ou estabelecido (trabalhos mais antigos), ressalta-se que essa avaliação possui
um viés subjetivo e deve ser contextualizada considerando o período coberto na amostra
utilizada.
No caso deste trabalho, conforme exposto anteriormente, os artigos estão
distribuídos ao longo de quatro décadas, tendo início na década de 1970, e a idade média
dos documentos é de 5,17 anos, isso indica que a maior parte da pesquisa sobre IA na
área de Economia, Econometria e Finanças é relativamente recente. Esse fato também
pode ser observado via visualização gráfica, o Gráfico 1 demonstra isso.
Page 21486
ISSN: 1696-8352
Page 21487
ISSN: 1696-8352
Total de Citações
Referência (em formato ABNT) Recebidas
DAVENPORT, Thomas et al. How artificial intelligence will change the future
of marketing. Journal of the Academy of Marketing Science, v. 48, p. 24-42,
2020. (2020) 533
O artigo mais referenciado na amostra (com 653 citações) foi elaborado por
Warner e Wäger (2019), intitulado de “Building dynamic capabilities for digital
transformation: An ongoing process of strategic renewal”, explora como empresas
estabelecidas em setores tradicionais constroem capacidades dinâmicas para a
transformação digital. A transformação digital é definida como o uso de novas tecnologias
digitais, como mobile, inteligência artificial, nuvem, blockchain e tecnologias da Internet
das Coisas (IoT), para viabilizar grandes melhorias nos negócios para aprimorar a
experiência do cliente, otimizar operações ou criar novos modelos de negócios.
As descobertas de Warner e Wäger (2019) revelam que a transformação digital é
um processo contínuo de uso de novas tecnologias digitais na vida organizacional
cotidiana, que reconhece a agilidade como o principal mecanismo para a renovação
estratégica do (1) modelo de negócios de uma organização, (2) abordagem colaborativa,
e eventualmente a (3) cultura.
Page 21488
ISSN: 1696-8352
O segundo artigo mais referenciado na amostra (com 565 citações) foi elaborado
por Altman, Marco e Varetto (1994), intitulado de “Corporate distress diagnosis:
Comparisons using linear discriminant analysis and neural networks (the Italian
experience)”, é um estudo se propõe a comparar metodologias estatísticas tradicionais
para classificação e previsão de dificuldades financeiras, especificamente a Análise
Discriminante Linear (LDA) e a Análise Logit, com um algoritmo de Inteligência
Artificial conhecido como Redes Neurais.
Os autores usaram um conjunto de dados utilizado incluiu mais de 1.000 empresas
industriais italianas saudáveis, vulneráveis e instáveis no período de 1982 a 1992. Os
resultados indicam um grau equilibrado de precisão e outras características benéficas
entre LDA e NN. Ambas as técnicas diagnósticas apresentaram uma aceitável precisão
na classificação e na validação externa, superior a 90%. O estudo conclui que deve haver
mais estudos e testes utilizando ambas as técnicas e sugere uma abordagem combinada
para reforço preditivo (Altman et al., 1994).
O terceiro artigo mais referenciado na amostra (com 533 citações) foi o de
Davenport, Guha, Grewal e Bressgott (2020), intitulado de “How artificial intelligence
will change the future of marketing”, aborda como a IA provavelmente irá mudar
significativamente tanto as estratégias de marketing quanto os comportamentos dos
consumidores.
Em resumo, o artigo propõe um quadro para entender o impacto da IA no
marketing e no comportamento do consumidor, considerando níveis de inteligência, tipos
de tarefa e a incorporação da IA em robôs. Ele também sugere que a IA deve ser usada
para aumentar a capacidade humana, em vez de substituí-la, e chama atenção para
questões de políticas importantes, como privacidade, viés e ética. Finalmente, os autores
sugerem que a IA será mais eficaz se ela aumentar (em vez de substituir) os gestores
humanos (Davenport et al., 2020).
O quarto artigo mais referenciado na amostra (com 464 citações) foi o de Cohen,
Burkhart, Dosi, Egidi, Marengo, Warglien e Winter (1996), intitulado de “Routines and
other recurring action patterns of organizations: contemporary research issues”, o
trabalho fornece um léxico de sinônimos e opostos cobrindo o uso da palavra “rotina” em
Page 21489
ISSN: 1696-8352
Page 21490
ISSN: 1696-8352
Observando as medidas de centralidade, pode-se ter uma ideia de quais termos são
particularmente importantes ou centrais na rede. Por exemplo, o termo “inteligência
artificial” tem a pontuação de PageRank mais alta, conforme esperado, já que é representa
o tema central deste artigo.
Além disso, a Figura 1 mostra que os termos estão divididos em diferentes
clusters, o que pode indicar subtemas ou tópicos relacionados dentro do campo geral de
tecnologia e inteligência artificial na área de Economia, Econometria e Finanças.
O Cluster 1 (em vermelho), tem como termo central a Inteligência Artificial e trata
de assuntos emergente em economia. Os termos indicam pesquisas concentradas nas
implicações econômicas dessas tecnologias emergentes, como a própria IA, o big data, a
indústria 4.0, o blockchain e a internet das coisas (internet of things), na economia global,
na produtividade e na eficiência dos negócios.
O Cluster 2 (em roxo), trata de assuntos diversos relacionados às técnicas
avançadas de modelagem em economia, econometria e finanças, com foco em previsões,
predições, empreendedorismo, risco de crédito e gestão de riscos, por exemplo.
Page 21491
ISSN: 1696-8352
Os Cluster 3 (em azul), Cluster 4 (em verde) e Cluster 5 (em amarelo), são os
menores da amostra, tratam de assuntos como os sistemas de suporte à decisão, técnicas
de redes neurais e algoritmos genéricos para a área de Economia, Econometria e Finanças.
5 CONSIDERAÇÕES FINAIS
Este artigo explorou a evolução e a aplicação da Inteligência Artificial (IA) na
área de Economia, Econometria e Finanças. A pesquisa foi realizada utilizando dados da
plataforma SciVerse Scopus, selecionando artigos que continham o termo “artificial
intelligence” em suas palavras-chave, títulos e resumos. A análise dos dados revelou um
crescimento exponencial na pesquisa, sobretudo nos últimos cinco anos.
O estudo também identificou os principais trabalhos que serviram de referências
para os artigos da amostra, destacando as principais influências na produção foco da
análise. Além disso, foi utilizada uma rede de coocorrência para visualizar as relações
entre diferentes conceitos e temas na literatura.
Os resultados indicam que a IA está se tornando cada vez mais importante na área
de economia, econometria e finanças, com potencial para transformar a forma como a
pesquisa é conduzida e aplicada nestes campos.
Page 21492
ISSN: 1696-8352
REFERÊNCIAS
Agrawal, A., Gans, J., & Goldfarb, A. (2019). The economics of artificial intelligence: An
agenda. University of Chicago Press.
Altman, E. I., Marco, G., & Varetto, F. (1994). Corporate distress diagnosis: Comparisons
using linear discriminant analysis and neural networks (the Italian experience). Journal
of banking & finance, 18(3), 505–529.
Aria, M., & Cuccurullo, C. (2017a). A brief introduction to bibliometrix. Journal of In-
formetrics, 11(4), 959–975.
Aria, M., & Cuccurullo, C. (2017b). bibliometrix: An R-tool for comprehensive science
mapping analysis. Journal of informetrics, 11(4), 959–975.
Aziz, S., Dowling, M., Hammami, H., & Piepenbrink, A. (2022). Machine learning in
finance: A topic modeling approach. European Financial Management, 28(3), 744–770.
Bostrom, N., & Yudkowsky, E. (2014). The ethics of artificial intelligence. The Cam-
bridge handbook of artificial intelligence, 1, 316–334.
Brewka, G. (1996). Artificial intelligence—A modern approach by Stuart Russell and Pe-
ter Norvig, Prentice Hall. Series in Artificial Intelligence, Englewood Cliffs, NJ. The
Knowledge Engineering Review, 11(1), 78–79.
Brin, S., & Page, L. (1998). The anatomy of a large-scale hypertextual web search engine.
Computer networks and ISDN systems, 30(1–7), 107–117.
Brown, T., Mann, B., Ryder, N., Subbiah, M., Kaplan, J. D., Dhariwal, P., Neelakantan,
A., Shyam, P., Sastry, G., & Askell, A. (2020). Language models are few-shot learners.
Advances in neural information processing systems, 33, 1877–1901.
Campbell, M., Hoane Jr, A. J., & Hsu, F. (2002). Deep blue. Artificial intelligence, 134(1–
2), 57–83.
Cao, L. (2022). Ai in finance: Challenges, techniques, and opportunities. ACM Computing
Surveys (CSUR), 55(3), 1–38.
Cohen, M. D., Burkhart, R., Dosi, G., Egidi, M., Marengo, L., Warglien, M., & Winter,
S. (1996). Routines and other recurring action patterns of organizations: Contemporary
research issues. Industrial and corporate change, 5(3), 653–698.
Culkin, R., & Das, S. R. (2017). Machine learning in finance: The case of deep learning
for option pricing. Journal of Investment Management, 15(4), 92–100.
Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence
will change the future of marketing. Journal of the Academy of Marketing Science, 48,
24–42.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep
bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Page 21493
ISSN: 1696-8352
Dixon, M. F., Halperin, I., & Bilokon, P. (2020). Machine learning in finance (Vol. 1170).
Springer.
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct
a bibliometric analysis: An overview and guidelines. Journal of business research, 133,
285–296.
Etzioni, A., & Etzioni, O. (2017). Incorporating ethics into artificial intelligence. The
Journal of Ethics, 21, 403–418.
Freeman, L. C. (1977). A set of measures of centrality based on betweenness. Sociometry,
35–41.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press.
Hilpisch, Y. (2020). Artificial Intelligence in Finance. O’Reilly Media, Inc.
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., &
Wang, Y. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and
vascular neurology, 2(4).
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep
convolutional neural networks. Advances in neural information processing systems, 25.
LeBaron, B., Arthur, W. B., & Palmer, R. (1999). Time series properties of an artificial
stock market. Journal of Economic Dynamics and control, 23(9–10), 1487–1516.
Luger, G. F. (2005). Artificial intelligence: Structures and strategies for complex problem
solving. Pearson education.
Makridakis, S. (2017). The forthcoming Artificial Intelligence (AI) revolution: Its impact
on society and firms. Futures, 90, 46–60.
McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the
dartmouth summer research project on artificial intelligence, august 31, 1955. AI maga-
zine, 27(4), 12–12.
McCarthy, J., Minsky, M., & Rochester, N. (1955). A Proposal For The Dartmouth Sum-
mer Research Project On Artificial Intelligence.
Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelli-
gence: A comprehensive review. Artificial Intelligence Review, 1–66.
Mullainathan, S., & Spiess, J. (2017). Machine learning: An applied econometric ap-
proach. Journal of Economic Perspectives, 31(2), 87–106.
Müller, V. (2020). Ethics of artificial intelligence and robotics. Stanford Encyclopedia of
Philosophy.
Musleh Al-Sartawi, A. M., Hussainey, K., & Razzaque, A. (2022). The role of artificial
intelligence in sustainable finance. Journal of Sustainable Finance & Investment, 1–6.
Page 21494
ISSN: 1696-8352
Nasim, S. F., Ali, M. R., & Kulsoom, U. (2022). Artificial intelligence incidents & ethics
a narrative review. International Journal of Technology, Innovation and Management
(IJTIM), 2(2), 52–64.
Nath, R., & Manna, R. (2023). From posthumanism to ethics of artificial intelligence. AI
& SOCIETY, 38(1), 185–196.
Newman, M. E. (2005). A measure of betweenness centrality based on random walks.
Social networks, 27(1), 39–54.
Nilsson, N. J. (1998). Artificial intelligence: A new synthesis. Morgan Kaufmann.
Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language
understanding by generative pre-training.
Russell, S. (2016). Artificial Intelligence: A Modern Approach, eBook, Global Edition.
Pearson Education, Limited.
Sabidussi, G. (1966). The centrality index of a graph. Psychometrika, 31(4), 581–603.
Schank, R. C. (1991). Where’s the AI? AI magazine, 12(4), 38–38.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł.,
& Polosukhin, I. (2017). Attention is all you need. Advances in neural information pro-
cessing systems, 30.
Warner, K. S., & Wäger, M. (2019). Building dynamic capabilities for digital transfor-
mation: An ongoing process of strategic renewal. Long range planning, 52(3), 326–349.
Weizenbaum, J. (1966). ELIZA—a computer program for the study of natural language
communication between man and machine. Communications of the ACM, 9(1), 36–45.
Wilson, M., Paschen, J., & Pitt, L. (2022). The circular economy meets artificial intelli-
gence (AI): Understanding the opportunities of AI for reverse logistics. Management of
Environmental Quality: An International Journal, 33(1), 9–25.
Winograd, T. (1972). Understanding natural language. Cognitive psychology, 3(1), 1–191.
Woschank, M., Rauch, E., & Zsifkovits, H. (2020). A review of further directions for
artificial intelligence, machine learning, and deep learning in smart logistics. Sustainabil-
ity, 12(9), 3760.
Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Na-
ture biomedical engineering, 2(10), 719–731.
Page 21495