کتاب‌سنجی و نگاشت هم‌رخدادی واژگان در حوزه داده‌های پیوندی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، علم اطلاعات و دانش‌شناسی، دانشگاه الزهرا (س)، تهران، ایران

2 دانشیار، گروه علم اطلاعات و دانش‌شناسی، دانشکده علوم تربیتی و روان‌شناسی، دانشگاه الزهرا (س)، تهران، ایران

3 دانشیار، گروه علم اطلاعات و دانش‌شناسی، دانشکده علوم تربیتی و روان‌شناسی، دانشگاه الزهرا (س)، تهران، ایران.

چکیده

هدف: هدف از پژوهش، ترسیم و تحلیل شبکه هم‌رخدادی واژگان، و خوشه‌های موضوعی در حوزه داده‌های پیوندی در بازه زمانی 2018-1986 است.
روش‌شناسی: پژوهش از نظر هدف، نوعی مطالعه کاربردی است که با روش تحلیل هم‌رخدادی واژگانی با رویکرد توصیفی انجام شده است. خوشه‌بندی با استفاده از سه شیوه تعیین شده‌اند. تحلیل و ترسیم شبکه‌ها با استفاده از نرم‌افزارهای«وی.او.اس.ویوئر»، «اس.پی.اس.اس.» و «یو.سی.آی.نت.» انجام شد.
یافته‌ها: از نظر هم‌رخدادی واژگان، «داده‌های پیوندی» و «وب معنایی» بیشترین فراوانی را داشته‌اند. خوشه‌بندی هم‌واژگانی منجر به تشکیل 5 خوشه و خوشه‌بندی سلسله‌مراتبی منجر به تشکیل 2 خوشه شد. کشور «آمریکا» و حوزه‌های مختلف «علوم کامپیوتر» بیشترین فراوانی در دسته‌بندی موضوعی وب‌علوم در این حوزه را دارند. عمدتاً، مطالعات منتشرشده در دو بافت «سلامت» و «میراث فرهنگی» بودند. خوشه «مفاهیم هسته در داده‌های پیوندی» بالغ‌ترین و مرکزی‌ترین خوشه و خوشه «کاربرد داده­های پیوندی در بافت میراث فرهنگی » خوشه توسعه­یافته اما مجزا می­باشد.
نتیجه‌گیری: نتایج حاصل می­تواند با پررنگ­کردن شکاف­های موضوعی و جلوگیری از پژوهش­های تکراری، روندهای اساسی، و موضوعات هسته و محبوب را شناسایی کند. سیاست‌گذاران، محققان، و طراحان فناوری‌های معنایی با آگاهی از این نتایج، می‌توانند برنامه‌ریزی پیش‌بینی‌کننده‌ای به‌منظور توسعه متوازن موضوعات و افزایش کمی و کیفی تولیدات علمی داشته باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Bibliometrics and Mapping of Co-words in the Field of Linked Data

نویسندگان [English]

  • Elaheh Hosseini 1
  • Amir Ghaebi 2
  • Roya Baradar 3
1 Ph.D. student, Department of Information Science and Knowledge Studies, Faculty of Psychology & Educational Sciences, Alzahra University, Tehran, Iran.
2 Associate Professor, Department of Information Science and Knowledge Studies, Faculty of Psychology & Educational Sciences, Alzahra University, Tehran, Iran.
3 Associate Professor, Department of Information Science and Knowledge Studies, Faculty of Psychology & Educational Sciences, Alzahra University, Tehran, Iran.
چکیده [English]

Purpose:The research aims to visualize and analyze co-word network and thematic clusters in the field of linked data during 1986-2018.
Methodology: The study is an applied research in terms of the purpose, which conducted by using co-word analysis as a methodology and descriptive approach. Clusters determined by three methods. VOS­Viewer, SPSS, and UCINet were used for data analysis and network visualization.
Findings: The keywords linked data and semantic web in terms of       co-word pairs had the highest frequencies. Co-word clustering generated five clusters, while hierarchical clustering produced two clusters. The USA was the most productive country and the highest share of           documents published in various sub-categories of the Computer Sciences. Studies mostly published in health and cultural heritage contexts. The cluster core concepts of the semantic web was the most mature and     central cluster, while linked data usage in the context of cultural heritage was a well-developed but isolated cluster.
Conclusion: The results can identify underlying trends and core themes by highlighting thematic gaps to avoid duplicate studies. Policymakers, researchers, and designers of the semantic technologies can plan predictably to develop themes in balance for the future and increase the quality and quantity of scientific outputs.

کلیدواژه‌ها [English]

  • Linked data
  • Intellectual Structure
  • Co-word analysis
  • thematic clusters
  • Hierarchical Clustering
  • Strategic Diagram

مراجع

 
احمدی، حمید، و عصاره، فریده (1396). مروری بر کارکردهای تحلیل هم‌واژگانی. مطالعات ملی کتابداری و سازمان‌دهی اطلاعات، 28 (1)، 125-145.
امامی، مریم، ریاحی‌نیا، نصرت، و سهیلی، فرامرز (زودآیند). ترسیم ساختار علمی حوزه تجهیزات پزشکی و آزمایشگاهی با استفاده از تحلیل هم‌رخدادی واژگان. پژوهش‌نامه علم‌سنجی.
خادمی، روح‌اله، و حیدری، غلامرضا (1395). ترسیم ساختار موضوعی مدیریت اطلاعات با استفاده از روش همایندی واژگان طی سال‌های 2012-1986. فصلنامه علوم و فنون مدیریت اطلاعات،2 (2)، 111-71.
رستمی، مصطفی، سهیلی، فرامرز، و خاصه، علی‌اکبر (زودآیند). ساختار دانش در پروانه‌های ثبت اختراع حوزه کشف دانش: مصورسازی با استفاده از تحلیل هم‌رخدادی واژگان. پژوهش‌نامه علم‌سنجی.
سالمی، نجمه، و کوشا، کیوان (1392). مقایسه تحلیل هم‌استنادی و تحلیل هم‌واژگانی در ترسیم نقشه کتاب‌شناختی (مطالعه موردی: دانشگاه تهران). پردازش و مدیریت اطلاعات، 29 (1)، 253-266.
سهرابی، طیبه، و غفاری، سعید (زودآیند). شناسایی موضوعات پرکاربرد تولیدات علمی حوزه ارتباطات علمی با استفاده از روش تحلیل هم‌رخدادی واژگان. پژوهش‌نامه علم‌سنجی.
سهیلی، فرامرز، خاصه، علی‌اکبر، و کرانیان، پریوش (1397). روند موضوعی مفاهیم حوزه علم اطلاعات و دانش‌شناسی ایران بر اساس تحلیل هم‌رخدادی واژگان. مطالعات ملی کتابداری و سازمان‌دهی اطلاعات، 29 (2)، 171-190.
سهیلی، فرامرز، شعبانی، علی، و خاصه، علی‌اکبر (1394). ساختار فکری دانش در حوزۀ رفتار اطلاعاتی: مطالعۀ هم‌واژگانی. تعامل انسان و اطلاعات. ۲ (۴)، 36-21.
شکفته، مریم، و حریری، نجلا. (1392). ترسیم و تحلیل نقشه علمی پزشکی ایران با استفاده از روش هم استنادی موضوعی و معیارهای تحلیل شبکه اجتماعی. فصلنامه مدیریت سلامت. ۱۶ (۵۱)، 59-43.
صدیقی، مهری (1393). بررسی کاربرد روش تحلیل هم‌رخدادی واژگان در ترسیم ساختار حوزه‌های علمی (مطالعه موردی: حوزه اطلاع‌سنجی). پردازش و مدیریت اطلاعات، 30 (2)، 396-373.
طاهری، مهدی (1394). ذخیره و بازیابی اطلاعات و دانش با تأکید بر رویکردهای نوین. تهران: کتابدار: کنسرسیوم محتوای ملی، 1394.
عصاره، فریده، سهیلی، فرامرز، و منصوری، علی (1394). علم‌سنجی و دیداری‌سازی اطلاعات. اصفهان: انتشارات دانشگاه اصفهان.
قاضی‌زاده، حمید، سهیلی، فرامرز، و خاصه، علی‌اکبر (1397).ترسیم ساختار دانش در پژوهش‌های علوم قرآن و حدیث ایران با استفاده از تحلیل هم‌واژگانی، 4 (8)، 122-101.
مکی‌زاده، فاطمه؛ حاضری، افسانه، حسینی‌نسب، سید حسین، و سهیلی، فرامرز (1395). تحلیل موضوعی و ترسیم نقشه علمی مقالات مرتبط با حوزه درمان افسردگی در پاب‌مد. مدیریت سلامت، (19)65، 63-51.
منصوری، علی، توکلی‌زاده راوری، محمد، مکی‌زاده، فاطمه، و طوسی، زیبا (1395). روند تکاملی فناوری: مورد مطالعه تحلیل رده‌های موضوعی پروانه‌های ثبت اختراع RFID. پژوهشنامه پردازش و مدیریت اطلاعات، 32 (1)،91-75.
Allemang, D., & Hendler, J. A. (2011). Semantic web for the working ontologist: Effective modeling in RDFS and OWL. Waltham, MA: Morgan Kaufmann/Elsevier.
Baker, T., & Sutton, S. A. (2015). Linked data and the charm of weak semantics: Introduction: The strengths of weak semantics. Bulletin of the Association for Information Science and Technology, 41(4), 10-12.
Berners-Lee, T., & Fischetti, M. (1999). Weaving the Web: The original design and ultimate destiny of the World Wide Web by its inventor. San Francisco, CA: Harper San Francisco.
Bizer, C., Heath, T., & Berners-Lee, T. (2009). Linked Data – The Story So Far. International Journal on Semantic Web and Information Systems (IJSWIS), 5 (3), 1-22.
Byrne, G., & Goddard, L. (2010). The strongest link: Libraries and linked data. D-Lib magazine, 16(11/12). Retrieved from:
      http://www.dlib.org/dlib/november10/byrne/11byrne.print.HTML
Callon, M., Courtial, J. P., & Turner, W. A.  (1986).  Future developments. In M. Callon, J. Law, & A. Rip(Eds).Mapping the dynamics of science and technology: Sociology of science in the real world, 211–217. London: Macmillan.
Cho, J. (2014). Intellectual structure of the institutional repository field: A co-word analysis. Journal of Information Science, 40(3), 386-397.
Clarivate Analytics (2019). Web of Science Core Collection: Search Tips. Retrieved November 2019. https://clarivate.libguides.com/woscc/searchtips
Cobo, M. J., & Lopez-Herrera, A. G., & Herrera-Viedma, E. (2011). An approach fordetecting, quantifying, and visualizing the evolution of a research field: A Practical application to the fuzzy sets theory field. Journal of Informetrics, 5 (1), 146-166.
Ding, Y., Chowdhury, G. G., & Foo, S. (2001). Bibliometric cartography of information retrieval research by using co-word analysis. Information Processing and Management, 37(6), 817–842.
Dutta, B. (2014). Symbiosis between Ontology and Linked Data. Librarian, 21(2), 15-24.
Dutta, B. (2017). Examining the interrelatedness between ontologies and Linked Data. Library Hi Tech, 35(2), 312-331.
Garcia, A., Lopez, F., Garcia, L., Giraldo, O., Bucheli, V., & Dumontier, M. (2018). Biotea: semantics for Pubmed Central. PeerJ, 6, e4201.
Guerrini, M., & Possemato, T. (2013). Linked data: a new alphabet for the semantic web. JLIS.it. 4(1), 67-90.
Heath, T., & Bizer, C. (2011). Linked data: Evolving the web into a global data space. Synthesis lectures on the semantic web: theory and technology, 1(1), 1-136.
Hitzler, P., Krotzsch, M., Parsia, B., Patel-Schneider, P. F., & Rudolph, S. (eds.) (2012). OWL 2 web ontology language primer (2nd ed.). Retrieved from http://www.w3.org/TR/owl2-primer/
Hu, J., & Zhang, Y. (2015). Research patterns and trends of Recommendation System in China using co-word analysis. Information processing & management, 51(4), 329-339.
Hu, C.P., Hu, J.M., Deng, S.L., & Liu, Y. (2013). A co-word analysis of Library and Information Science in China. Scientometrics, 97(2), 369-382.
Jovanovik, M., & Trajanov, D. (2017). Consolidating drug data on a global scale using Linked Data. Journal of biomedical semantics, 8(1), 3.
Khasseh, A. A., Soheili, F., Moghaddam, H. S., & Chelak, A. M. (2017). Intellectual structure of knowledge in iMetrics: A co-word analysis. Information Processing & Management, 53(3), 705-720.
King, J. (1987), A review of bibliometric and other science indicators and their role in research evaluation, Journal of Information Science, Vol. 13 No. 5, pp.261–276.
Kozaki, K., Yamagata, Y., Mizoguchi, R., Imai, T., & Ohe, K. (2017). Disease Compass–a navigation system for disease knowledge based on ontology and linked data techniques. Journal of biomedical semantics, 8(1), 22.
Kyaw, Wang (2018). Mapping the Intellectual Structure of the Linked Data Field: A Co-Word Analysis and Social Network Analysis. International Journal of AdvancedResearch in Science, Engineering and Technology, 5(8), 6632-6647.
Lee, W. H. (2008). How to identify emerging research fields using scientometrics: An example in the field of information security. Scientometrics, 76(3), 503–525.
Lee, P.C., & Su, H.N. (2010). Investigating the structure of regional innovation system research Information Science, 19(1), 71-85.
Liu, Y., Goncalves, J., Ferreira, D., Xiao, B., Hosio, S., & Kostakos, V. (2014, April). CHI 1994-2013: mapping two decades of intellectual progress through co-word analysis. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (pp. 3553-3562). ACM.
Liu, G.Y., Hu, J.M., & Wang, H.L. (2012). A co-word analysis of digital library field in China. Scientometrics, 91(1), 203-217.
Lou, W. & Qiu, J. (2014), Semantic information retrieval research based on co-occurrence analysis, Online Information Review, 38(1),4-23.
Miles, A., & Bechhofer, S. (2009). SKOS Simple Knowledge Organization System reference. W3C. Retrieved from http://www.w3.org/TR/skos-reference/
Moulaison, H. L., & Million, A. J. (2014). The disruptive qualities of linked data in the library environment: analysis and recommendations. Cataloging & classification quarterly, 52(4), 367-387.
Navas-Delgado, I., García-Godoy, M. J., López-Camacho, E., Rybinski, M., Reyes-Palomares, A., Medina, M. Á., & Aldana-Montes, J. F. (2015). kpath: integration of metabolic pathway linked data. Database, 2015.
Neff, M. W., & Corley, E. A. (2009). 35 years and 160,000 articles: a bibliometric exploration of the evolution of ecology. Scientometrics, 80 (3), 657–682.
Niknia, Massoomeh, & Mirtaheri, Seyedeh Leili (2015). Mapping a decade of linked data progress through co-word analysis. Webology, 12(2), Article 141.
Noyons, E., & van Raan, A. (1998). Monitoring scientific developments from a dynamic perspective: Self-organized structuring to map neural network research. Journal of the American Society for Information Science, 49(1), 68-81.
Pattuelli, M. C., Provo, A., & Thorsen, H. (2015). Ontology building for linked open data: a pragmatic perspective. Journal of Library Metadata, 15(3-4), 265-294.
Ravikumar, S., Agrahari, A., & Singh, S. N. (2015). Mapping the intellectual structure of scientometrics: A co-word analysis of the journal Scientometrics (2005–2010). Scientometrics, 102(1), 929-955.
Sedighi, M., & Jalalimanesh, A. (2014). Mapping research trends in the field of knowledge management. Malaysian Journal of Library and Information Science, 19(1), 71-85.
Southwick, S. B. (2015). A guide for transforming digital collections metadata into linked data using open source technologies. Journal of Library Metadata, 15(1), 1-35.
Tummarello, G., Morbidoni, C., Puliti, P. & Piazza, F. (2008), A proposal for textual encoding based on semantic web tools, Online Information Review, 32(4), 467-477.
van Eck, N. J., & Waltman, L. (2018). VOSviewer manual. Erişim adresi: http://www. vosviewer. com/download/f-z2w2. pdf.
Wang, L. Y., Zhang, Z. Q., & Wei, J. Z. (2011). A study on foreign research subjects of library and information science based on the co-word analysis during the last ten years. Journal of intelligence (in China), 30(3), 50–58.
Whittaker, J. (1989). Creativity and conformity in science: Titles, keywords and co-word analysis. Social Studies of Science, 19 (3), 473-496.
World Wide Web Consortium (2008). XML RDF. Retrieved from:
      https://www.w3schools.com/xml/xml_rdf.asp
Yan, B. N., Lee, T. S., & Lee, T. P. (2015). Mapping the intellectual structure of the Internet of Things (IoT) field (2000–2014): a co-word analysis. Scientometrics, 105(2), 1285-1300.
Zengenene, D. (2013). Global interoperability and linked data in libraries. New Library World, 114(1/2), 84-87.
Zhao, J. (2010). Publishing Chinese medicine knowledge as Linked Data on the Web. Chinese medicine, 5(1), 27-49..

فایل ها

هم رسانی

ارجاع به این مقاله

آمار