این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت اطلاعات، جلد ۹، شماره ۲، صفحات ۱-۲۲
عنوان فارسی استفاده از الگوریتم‌های یادگیری ماشین در استخراج مشابهت علمی کشورها
چکیده فارسی مقاله امروزه، تولید علم در تمام کشورها، اولویت مهمی شناخته ‌شده است؛ زیرا توسعۀ علمی پایه‌ای برای توسعۀ فناوری است و توسعۀ فناوری نیز، اساس رشد اقتصادی و رفاه اجتماعی است. به همین دلیل، سنجش سطح کمی و کیفی تولیدات علمی جوامع، بسیار اهمیت دارد. علم‌سنجی و کتاب‌سنجی ابزارهایی هستند که برای اندازه‌گیری و ارزیابی تولیدات علمی در جوامع استفاده می‌شوند. این نوع مطالعات و بررسی‌ها، در زمینه‌های مختلف آموزشی و پژوهشی یا به‌منظور تصمیم‌گیری، سیاست‌گذاری و آینده‌نگری در مؤسسه‌ها و سازمان‌ها کاربردهای وسیعی دارند. در این زمینه، یکی از ابزارهای کاربردی پایگاه اطلاعاتی سایمگو است که داده‌های ارزشمندی، از جمله عملکرد علمی کشورهای دنیا را در حوزه‌های علمی مختلف فراهم می‌کند و به‌عنوان منبع اطلاعاتی مناسب برای انجام چنین تحقیقاتی استفاده می‌شود. در این مقاله، شباهت‌های علمی کشورها و حوزه‌های علمی آن‌ها با ایران، در بازۀ زمانی مشخص و برمبنای دو شاخص کتاب‌سنجی، یعنی تعداد مستندات و شاخص هرش شناسایی شده است. در ادامه با استفاده از شباهت به‌دست‌آمده و به‌کارگیری الگوریتم‌های تشخیص جوامع لووین و لیدن، به خوشه‌بندی و در نتیجه ارائۀ میزان مشابهت علمی کشورها و حوزه‌های علمی پرداخته شده است. میزان مشابهت گزارش‌شده در این مقاله نشان می‌دهد که کشورهایی با ضریب هم‌بستگی بیش از 9/0 با ایران، در روند تولید علمی (از نظر تعداد مستندات و شاخص هرش) شباهت بسیار زیادی با این کشور دارند. در این پژوهش، در الگوریتم لیدن مقدار سیلوئت بهتر نشد؛ اما با اختلاف کمی، تغییری در بحث ماژولاریتی به‌وجود آمد. گفتنی است تغییر ایجاد شده به‌دلیل ماهیت این الگوریتم است که براساس ماژولاریتی کار می‌کند و زمان اجرا، الگوریتم لیدن به‌طور محسوسی بهتر از الگوریتم لووین است.
کلیدواژه‌های فارسی مقاله یادگیری ماشین،مشابهت علمی،داده‌کاوی،خوشه‌بندی،
عنوان انگلیسی Using Machine Learning in Extracting the Scientific Similarity of Countries
چکیده انگلیسی مقاله Today, the production of science is recognized as an important priority in all countries, because scientific development is the basis for the development of technology, and the development of technology is also the basis of economic growth and social welfare. For this reason, measuring the quantitative and qualitative level of scientific production of societies is very important. Scientometrics and bibliometrics are tools used to measure and evaluate scientific productions in societies. These types of studies and reviews have wide applications in various educational and research fields or for decision-making, policy-making and foresight in institutions and organizations. In this context, one of the useful tools is the Symgo database, which provides valuable data such as the scientific performance of the countries of the world in various scientific fields, and can be used as a suitable source of information for conducting such research. This database provides valuable information and data related to the scientific performance of different countries in various scientific fields and can be used as a scientific database for conducting such research. The purpose of this article is to find the scientific similarity of countries and scientific fields in a certain period of time based on two bibliometric indicators, namely the number of documents and the H-index. Then we will cluster using the similarity obtained by applying Louvain and Leiden community detection algorithms, based on which we will bring analysis. In this research, although the Silhouette value did not improve in the Leiden algorithm, we had a change in the Modularity discussion with a slight difference, and that is because of the nature of this algorithm, which works based on Modularity, and the execution time of the Leiden algorithm was significantly better than the Louvain algorithm.
کلیدواژه‌های انگلیسی مقاله یادگیری ماشین,مشابهت علمی,داده‌کاوی,خوشه‌بندی
نویسندگان مقاله سیده فاطمه نورانی |
استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی دانشگاه پیام نور، تهران، ایران

رعنا نقدی |
کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

نشانی اینترنتی https://www.aimj.ir/article_224206_2f69b86e11007c12d5582fe8ed78d55c.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات