شناسایی مدارک علمی دگرگون ساز بر اساس شاخص سیگما: حوزه دانشی مدل‌سازی عامل-بنیان در علوم اجتماعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت فناوری، دانشگاه علامه طباطبایی

2 دانشیار دانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی

3 استاد دانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی

چکیده

هدف: هدف این مقاله شناسایی و کشف مدارک علمی است که به‌طور بالقوه دارای خاصیت دگرگون‌سازی در طول زمان بوده و ساختار یک حوزه علمی (در این پژوهش مدل‌سازی عامل‌بنیان) را تحت تأثیر قرار می‌دهند. دگرگون‌سازی به خاصیتی از مدارک علمی اشاره دارد که بر اساس آن یک مدرک علاوه بر اینکه شکاف‌های ارتباطی شبکه‌های مختلف را با یک ساختار علمی پر می‌کند بلکه خود مبنای توسعه و گسترش یک حوزه دانشی در شبکه‌‌های علمی مرتبط با یک ساختار علمی می‌گردد.
روش‌شناسی: این پژوهش از نوع کاربردی علم‌سنجی است و روش مورد استفاده در آن تحلیل هم‌استنادی بوده و از شاخص سیگما به‌منظور شناسایی مدارک دگرگون‌ساز استفاده شده است. بر این اساس نرخ شکوفایی هر یک از مدارک در طول زمان و مرکزیت بینابینی هر یک از گره‌های موجود در شبکه محاسبه و به‌منظور سنجش شاخص سیگما مورد بررسی قرار گرفته‌اند. سیگما شاخص جدیدی است که با ترکیب ویژگی‌های دو شاخص مرکزیت بینابینی و شاخص شکوفایی نتایج قابل اعتمادتری را در سنجش مدارک دگروگون‌ساز و تطور یک حوزة دانشی ارائه می‌دهد.
یافته‌ها: نتایج پژوهش نشان می‌دهند که شبکه هم‌استنادی تشکیل‌شده از 699 مقاله استخراج‌شده از پایگاه وب. آو. نالج، دارای 2339 گره است. تعداد مدارکی که بر اساس شاخص سیگما به‌عنوان مدارک با پتانسیل تغییرات بالقوه مورد شناسایی قرار گرفته‌‌‌‌‌اند، 23 مدرک شامل کتب و مقاله‌ها از سال‌های 1970 تا 2017 است. از میان این 23 مدرک، 8 مدرک به نظریه مبنایی پیچیدگی و مدل‌سازی عامل‌بنیان، تعداد 4 مدرک مرتبط با حوزه دانشی علوم اجتماعی، تعداد 6 مدرک مرتبط با حوزه دانشی مدیریت با گرایش‌های مختلف همانند بازاریابی و مالی، تعداد 3 مدرک مرتبط با اقتصاد، 1 مدرک روش‌شناسی پژوهش (در این مقاله رویکرد شبیه‌سازی به پژوهش مورد بررسی قرارگرفته است) و 1 مدرک مرتبط با مطالعات نوآوری است.
نتیجه‌گیری: تحلیل نتایج نشان می‌دهند که نتایج بررسی هر یک از شاخص‌های مرکزیت بینابینی و شکوفایی که برای سنجش مدارک دگرگون‌ساز در یک حوزة علمی توسعه یافته‌اند از یکدیگر پراکندگی شدیدی داشته و استفاده از شاخص سیگما به‌منظور درک مسیرهای توسعه و تطور یک حوزة دانشی می‌تواند از اثرگذاری بالاتری برخوردار باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Identification of Evolutionary Docu-ments baded of Sigma Indicator: Agent-based Modelling Field of Study in Social Sciences

نویسندگان [English]

  • saeed Roshani 1
  • Jahanyar Bamdad Sufi 2
  • Soroush Ghazi Nuri 2
  • Maghsoud Amiri 3
1 PhD candidate in Technology Man-agement, Allameh Tabatabaei University
2 Associate Profes-sor, Faculty of Management and Accounting, Al-lameh Tabatabaei University
3 Professor, Faculty of Management and Accounting, Allameh Tabatabaei University
چکیده [English]

Purpose:The aim of this article is to identify and discover scientific documents that potentially have transformative characteristics during the time and impress the structure of a scientific area. Transformativeness is a characteristic of scientific documents, according to which a scientific document, not only fills the communication gaps of different networks with a scientific structure, but also is the basis of development and expansion of a scientific area in scientific networks that are related to a scientific structure.
Methodology: The method used in this project is co-citation analysis, and in order to identify transformative documents the index of sigma has been used. According to this, the rate of burstness of each document during the time and betweenness centrality of each existing node in network, are measured and analyzed in order to estimate the index of sigma.
Findings: The result of the project shows that the co-citation network, made from 699 extracted articles of Web of Knowledge database, includes 2339 nodes. Based on the sigma index, 23 documents are identified as potentially transformative, and they include books and articles from 1970 up to 2017. Among these 23 documents, 8 documents are related to the basic theory of complexity and agent-based modeling, 4 documents are related to scientific area of social science, 6 documents are related to scientific area of management with different attitudes such as marketing and financial, 3 documents are related to economy, 1 document related to research methodology (in this article simulation approach to research has been investigated), and 1 document related to innovation studies.
Conclusion: Sigma indicators showed better compared to other indicators.

کلیدواژه‌ها [English]

  • Co-Citation network
  • Transformative change
  • Sigma index
  • Burstness
  • Be-tweenness centrality
آذر، عادل، صادقی، آرش. (1391). مدل‌سازی، عامل‌بنیان، رویکردی نوین در مدل‌سازی مسائل پیچیده اخلاقی، فصلنامه اخلاق در علوم و فناوری، دوره 7، شماره 1.
شکفته مریم، حریری نجلا. (1392). ترسیم و تحلیل نقشه علمی پزشکی ایران با استفاده از روش هم‌استنادی موضوعی و معیارهای تحلیل شبکه اجتماعی. فصلنامه مدیریت سلامت، 16 (51).
Axelrod, R. M. (1984). The evolution of cooperation. Basic books.
Axelrod, R. M. (1997). The complexity of cooperation: Agent-based models of competition and collaboration. Princeton University Press.
Barabási, A. L., & Albert, R. (1999). Emergence of scaling in random networks. science, 286(5439), 509-512.
Bonabeau, E. (2002). Agent-based modeling: Methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences, 99(suppl 3), 7280-7287.
Bonacich, P. (1987). Power and centrality: A family of measures. American Journal of Sociology, 92, 1170-1182.
Brock, W. A., & Hommes, C. H. (1997). A rational route to randomness. Econometrica: Journal of the Econometric Society, 1059-1095.
Brock, W. A., & Hommes, C. H. (1998). Heterogeneous beliefs and routes to chaos in a simple asset pricing model. Journal of Economic dynamics and Control, 22(8), 1235-1274.
Chen, C., Chen, Y., Horowitz, M., Hou, H., Liu, Z., & Pellegrino, D. (2009). Towards an explanatory and computational theory of scientific discovery. Journal of Informetrics, 3(3), 191-209.
Colander, D., Howitt, P., Kirman, A., Leijonhufvud, A., & Mehrling, P. (2008). Beyond DSGE models: toward an empirically based macroeconomics. The American Economic Review, 98(2), 236-240.
Davis, J. P., Eisenhardt, K. M., & Bingham, C. B. (2007). Developing theory through simulation methods. Academy of Management Review, 32(2), 480-499.
Davis, J. P., Eisenhardt, K. M., & Bingham, C. B. (2007). Developing theory through simulation methods. Academy of Management Review, 32(2), 480-499.
Dosi, G., Fagiolo, G., & Roventini, A. (2010). Schumpeter meeting Keynes: A policy-friendly model of endogenous growth and business cycles. Journal of Economic Dynamics and Control, 34(9), 1748-1767.
Epstein, J. M., & Axtell, R. (1996). Growing artificial societies: social science from the bottom up. Brookings Institution Press.
Freeman, L. C. (1977). A set of measures of centrality based on betweenness. Sociometry, 35-41.
Gaffeo, E., Gatti, D. D., Desiderio, S., & Gallegati, M. (2008). Adaptive microfoundations for emergent macroeconomics. Eastern Economic Journal, 34(4), 441-463.
Garcia, R. (2005). Uses of agent‐based modeling in innovation/new product development research. Journal of Product Innovation Management, 22(5), 380-398.
Granovetter, M. (1978). Threshold models of collective behavior. American journal of sociology, 1420-1443.
Kleinberg, J. (2003). Bursty and hierarchical structure in streams. Data Mining and Knowledge Discovery, 7(4), 373-397.
LeBaron, B. (2006). Agent-based computational finance. Handbook of computational economics, 2, 1187-1233.
Lux, T., & Marchesi, M. (2000). Volatility clustering in financial markets: a microsimulation of interacting agents. International journal of theoretical and applied finance, 3(04), 675-702.
Macal, C. M., & North, M. J. (2010). Tutorial on agent-based modelling and simulation. Journal of simulation, 4(3), 151-162.
Macy, M. W., & Willer, R. (2002). From factors to actors: Computational sociology and agent-based modeling. Annual review of sociology, 143-166.
Peirson, B. R. Erick., et al. (2016). Tethne v0.7. http://diging.github.io/tethne/
Rahmandad, H., & Sterman, J. (2008). Heterogeneity and network structure in the dynamics of diffusion: Comparing agent-based and differential equation models. Management Science, 54(5), 998-1014.
Rand, W., & Rust, R. T. (2011). Agent-based modeling in marketing: Guidelines for rigor. International Journal of Research in Marketing, 28(3), 181-193.
Roshani, S., Ghazinoori, S., & Tabatabaeian, S. H. (2014). A Co-Authorship network analysis of iranian researchers in technology policy and management.
Schelling, T. C. (1971). Dynamic models of segregation†. Journal of mathematical
Schelling, T. C. (1978). Micromotives and macrobehavior. WW Norton & Company.
Sharma, M. and Urs, S.R., 2008, “Network dynamics of scholarship: a social network analysis of digital library community”, Proceedings of the 2nd PhD workshop on Information and knowledge management, pp. 101-104, ACM Digital library (Association for Computing Machinery).
Small, H. (1973). Co‐citation in the scientific literature: A new measure of the relationship between two documents. Journal of the Association for Information Science and Technology, 24(4), 265-269. sociology, 1(2), 143-186.
Sordo, M., Ogihara, M., & Wuchty, S. (2015, October). Analysis of the evolution of research groups and topics in the ISMIR conference. In Proceedings of the 16th ISMIR Conference (Vol. 205).
Tonta, Y., & Düzyol, G. (2010). Mapping the structure and evolution of electronic publishing as a research field using co-citation analysis.