ریزداده‌ها و کاربرد آن در حوزه‌های علمی مختلف: مطالعۀ علم‌سنجی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری بازیابی اطلاعات و دانش، دانشگاه خوارزمی

2 دانشجوی دکتری مدیریت اطلاعات و دانش، دانشگاه تهران.

چکیده

هدف: هدف از پژوهش، شناسایی ویژگی‌های تولیدات علمی حوزۀ ریزداده نمایه‌شده در پایگاه وب آو ساینس و تبیین کاربرد آن بر مبنای شناسایی واژگان تولیدات علمی مرتبط با این موضوع به تفکیک حوزه‌های علمی است.
روش‌شناسی: پژوهش حاضر از نوع توصیفی با رویکرد علم‌سنجی و روش تحلیل محتوا و بهره‌مندی از فنون تحلیل هم‌واژگانی و تحلیل شبکه اجتماعی انجام شده است. تحلیل داده‌ها با نرم‌افزارهای هیست‌سایت، بایب‌اکسل، گفی و اس‌.پی.اس‌.اس؛ و ترسیم داده‌ها با نرم‌افزار وی ­او ­اس ویوئر انجام شده است.
یافته‌ها: طی دهه‌های گذشته میزان انتشار تولیدات علمی حوزۀ ریزداده روندی افزایشی با میانگین نرخ رشد سالانۀ 15.59 درصد داشته است. هرچند دانشگاه چنگ‌کونگ (تایوان) از نظر میزان تولید علم و دریافت استناد جایگاه اول را کسب کرد، درمجموع ایالات متحده، چین و آلمان به‌عنوان کشورهای برتر شناخته شدند. بیش از 90 درصد این تولیدات مربوط به حوزه‌های علوم رایانه، مهندسی، ریاضیات، مخابرات و فیزیک است. خوشه‌بندی هم‌واژگانی در این حوزه‌ها به‌ترتیب منجر به تشکیل 8، 6، 7، 5 و 3 خوشه شد. بیشترین مرکزیت درجه مربوط به یادگیری ماشینی، اینترنت اشیاء و وجود جهانی است؛ کلیدواژه‌های انطباق، نمودار دوقطبی و یادگیری ماشینی بیشترین مرکزیت نزدیکی و یادگیری ماشینی، فناوری تکامل بلندمدت و وجود جهانی دارای بیشترین مرکزیت بینابینی در حوزه‌های علمی فوق‌اند.
نتیجه‌گیری: الگوی انتشار تولیدات علمی حوزه ریزداده‌ها نشان‌دهندۀ وضعیت بالندگی مستمر است. مباحث نظری ریزداده‌ها بیشتر در علوم ریاضیات و فیزیک تکامل یافته و کاربردهای آن در علوم رایانه و حوزه‌های دیگر در حال گسترش است.

کلیدواژه‌ها


عنوان مقاله [English]

Small-Data and Its Application among Various Scientific Areas: A Scientometric Study

نویسندگان [English]

  • Razieh Farshid 1
  • Yousef Abedi 2
  • somayeh Jafari 2
1 PhD student in Information and Knowledge Science, Kharazmi University.
2 PhD student in Information and Knowledge Management, University of Tehran.
چکیده [English]

Purpose: The purpose of this study is to identify the characteristics of scientific products in the field of small-data indexed in the Web of Science database and to explain its application based on identifying the words of scientific products related to this subject separately by scientific fields.
Methodology: This research is a descriptive study based on the scientometric approach and content analysis method, which has been done by using the common techniques of co-word analysis and social network analysis. Data analysis was performed by HistCite, Bibexecl, Gephi, and SPSS software; and the data mapping is done by VOSviewer.
Findings: Over the past decades, the rate of publications in the field of small data has had an increasing trend with an average annual growth rate of 15.59%. The main language of these works is in English. Although the National Cheng Kung University (Taiwan) ranked the first of organizations in this field, the United States, China and Germany recognized the top countries in this field, overall. More than 90% of these products are in the fields of Computer Science (8 clusters), Engineering (6 clusters), Mathematics (7 clusters), Telecommunications (5 clusters), and Physics (3 clusters). The greatest degree of centrality belongs to Machine Learning, the Internet of Things, and Universal existence; the most closeness centrality belongs to Adaptation, Bipartite Graph, and Machine Learning; and the most betweenness centrality belongs to Machine Learning, Long-Term Evolution Technology, and Global Existence.
Conclustion: The pattern of dissemination of scientific products in the field of small data indicates a continuous growth situation. Theoretical discussions of microdata have further evolved in mathematics and physics, and its applications in computer science and other fields are expanding.

کلیدواژه‌ها [English]

  • Small data
  • Scientometrics
  • Big data
  • Co-word
  • Intellectual Structure of Knowledge
  • Social Network Analysis
 
احمدی، حمید؛ عصاره، فریده. (1396). مروری بر کارکردهای تحلیل هم‌واژگانی. مطالعات ملی کتابداری و سازمان‌دهی اطلاعات، 28 (1): 125-145.
دانش، فرشید؛ نعمت‌اللهی، زهرا. (1399). خوشه‌‏بندی: مفاهیم و رویدادهای نوپدید سازمان‌دهی دانش. کتابداری و اطلاع‌رسانی، 23 (2): 53-85.
جعفری، سمیه؛ فرشید، راضیه؛ و جباری، لیلا. (1399). تحلیل موضوعی مطالعات کووید 19 در پنج قاره بزرگ. پژوهش‌نامه علم‌سنجی 6 (11): 277-297.
حسینی، الهه؛ غائبی، امیر؛ و برادر، رؤیا. (1399). کتاب‌سنجی و نگاشت هم‌رخدادی واژگان در حوزه داده‌های پیوندی. پژوهش‌نامه علم‌سنجی.
رمضانی، هادی؛ علی‌پور حافظی، مهدی؛ و مؤمنی، عصمت. (1393). نقشه‌های علمی: فنون و روش‌ها. فصلنامه ترویج علم، 5 (6)، 53-84.
رئیس‌زاده، محمد؛ کرمعلی، مازیار. (1397). ترسیم نقشه علمی مقالات حوزه ترومای نظامی با استفاده از تحلیل هم‌واژگانی در مدلاین. مجله طب نظامی، 20 (5)، 476-487.
سالمی، نجمه؛ کوشا، کیوان. (1391). مقایسه تحلیل هم‌استنادی و تحلیل هم‌واژگانی در ترسیم نقشه کتابشناختی مطالعه موردی: دانشگاه تهران. پژوهشنامه پردازش مدیریت اطلاعات، 29 (1): 253-266.
سهیلی، فرامرز؛ شعبانی، علی؛ و خاصه، علی‌اکبر. (1395). ساختار فکری دانش در حوزۀ رفتار اطلاعاتی: مطالعۀ هم‌واژگانی. تعامل انسان و اطلاعات، 2 (4)، 21-36.
سهیلی، فرامرز؛ عصاره، فریده. (1392). مفاهیم مرکزیت و تراکم در شبکه‌های علمی و اجتماعی. فصلنامه مطالعات ملی کتابداری و سازمان‌دهی اطلاعات، 24 (3)، 92-108.
شکفته، مریم؛ حریری، نجلا. (1392). ترسیم و تحلیل نقشه علمی پزشکی ایران با استفاده از روش هم‌استنادی موضوعی و معیارهای تحلیل شبکه اجتماعی. مدیریت سلامت، 16 (15): 43-59.
ضیغمی، رضا؛ باقری نسامی، معصومه؛ حق‌دوست، فاطمه؛ و یادآور، منصوره. (1387). تحلیل محتوا. فصلنامه پرستاری ایران، 21 (53): 41-52.
فیض‌آبادی، منصوره؛ وزیری، اسماعیل. (1396). ترسیم ساختار حوزه‌های علمی مطالعات دمانس با استفاده از روش تحلیل هم‌رخدادی واژگان. مجله دانشگاه علوم پزشکی سبزوار، 25 (2)، 23-30.
مکی‌زاده، فاطمه؛ حاضری، افسانه؛ حسینی‌نسب، سید حسین؛ و سهیلی، فرامرز. (1395). تحلیل موضوعی و ترسیم نقشه علمی مقالات مرتبط با حوزه درمان افسردگی پاب‌مد. فصلنامه مدیریت سلامت، 19 (65): 51-63.
نوروزی چاکلی، عبدالرضا. (1391). نقش و جایگاه مطالعات علم‌سنجی در توسعه. پژوهش‌نامه پردازش و مدیریت اطلاعات، 27 (3)، 723-736.
هان، ژیاوی؛ کمبر، میشلین؛ و پی، ژان (1394). داده‌کاوی: مفاهیم و تکنیک‌ها. ترجمۀ مهدی اسماعیلی. تهران: نیاز دانش.
Augustin, N. H., & Faraway, J. J. (2018). When small data beats big data. Statistics and Probability Letters, Special Issue on The role of Statistics in the era of big data, to appear.
Cerquitelli, T., Quercia, D., & Pasquale, F. (Eds.). (2017). Transparent data mining for Big and small data. Springer International Publishing
Chen, C., Ma, J., Susilo, Y., Liu, Y., & Wang, M. (2016). The promises of big data and small data for travel behavior (aka human mobility) analysis. Transportation research part C: emerging technologies, 68, 285-299.
Emmert-Streib, F., & Dehmer, M. (2019). Defining data science by a data-driven quantification of the community. Machine Learning and Knowledge Extraction, 1 (1), 235-251.
Estrin, D. (2014). Small data, where n= me. Communications of the ACM, 57 (4), 32-34.
Fang, Z., Costas, R., Tian, W., Wang, X., & Wouters, P. (2020). An extensive analysis of the presence of altmetric data for Web of Science publications across subject fields and research topics. Scientometrics, 124 (3), 2519-2549.
Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International journal of information management, 35 (2), 137-144.
Hekler, E. B., Klasnja, P., Chevance, G., Golaszewski, N. M., Lewis, D., & Sim, I. (2019). Why we need a small data paradigm. BMC medicine, 17 (1), 1-9.
Javid, E., Nazari, M & Ghaeli, M. (2019). Social media and e-commerce: A scientometrics analysis.International Journal of Data and Network Science, 3 (3), 269-290.
Jin, Y., & Li, X. (2019). Visualizing the hotspots and emerging trends of multimedia big data through scientometrics. Multimedia Tools and Applications, 78 (2), 1289-1313.
Karimi,Ramin. (1394). Easy statistical analysis guide with spss.Tehran: Hengam.
Kitchin, Rob and Lauriault, Tracey P. (2015) Small data in the era of big data. GeoJournal, 80. pp. 463-475.
Li, T., Gu, D., Wang, X., & Liang, C. (2018, July). Visualizing the Intellectual Structure of Electronic Health Research: A Bibliometric Analysis. In International Conference on Smart Health (pp. 315-324). Springer, Cham.
Lindstrom, M. (2016). Small data: the tiny clues that uncover huge trends. St. Martin's Press.
López-Robles, J. R., Otegi-Olaso, J. R., Gomez, I. P., Gamboa-Rosales, N. K., Gamboa-Rosales, H., & Robles-Berumen, H. (2018, November). Bibliometric network analysis to identify the intellectual structure and evolution of the big data research field. In International Conference on Intelligent Data Engineering and Automated Learning (pp. 113-120). Springer, Cham.
Minelli, M., Chambers, M., & Dhiraj, A. (2013). Big data, big analytics: emerging business intelligence and analytic trends for today's businesses (Vol. 578). John Wiley & Sons.
Ozdagoglu G., Damar M., Ozdagoglu A. (2020) The State of the Art in Blockchain Research (2013–2018): Scientometrics of the Related Papers in Web of Science and Scopus. In: Hacioglu U. (eds) Digital Business Strategies in Blockchain Ecosystems. Contributions to Management Science. Springer, Cham. https: . .doi.org .10.1007 .978-3-030-29739-8_27
Papić, A., & Eskić, E. (2018). Big Data and Data Science: A Scientometrics Approach. Management, 16, 18.
Pourkhani, A., Abdipour, K., Baher, B., & Moslehpour, M. (2019). The impact of social media in business growth and performance: A scientometrics analysis. International Journal of Data and Network Science, 3 (3), 223-244.
Sagiroglu, S., & Sinanc, D. (2013, May). Big data: A review. In 2013 international conference on collaboration technologies and systems (CTS) (pp. 42-47). IEEE.
Secchi, P. (2018). On the role of statistics in the era of big data: A call for a debate. Statistics & Probability Letters, 136, 10-14.
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and quasi-experimental designs for generalized causal inference .William R. Shedish, Thomas D. Cook, Donald T. Campbell. Boston: Houghton Mifflin,.
Pearl, J., & Mackenzie, D. (2018). The book of why: the new science of cause and effect. Basic Books.