پژوهش نامه علم سنجی

پژوهش نامه علم سنجی

هوشمندسازی مدیریت دانش در تصفیه آب: یک تحلیل علم‌سنجی از روندهای موضوعی، شبکه‌های همکاری، شناسایی شکاف‌های پژوهشی و اولویت‌های پژوهشی آتی

نوع مقاله : مقاله پژوهشی

نویسندگان
هادی الهایی 1
منصور کوهی رستمی 2
سید محمد اشرفی 3
1 دانشجوی دکتری، گروه علم اطلاعات و دانش‌شناسی، دانشگاه شهید چمران اهواز، اهواز، ایران
2 دانشیار، گروه علم اطلاعات و دانش‌شناسی، دانشگاه شهید چمران اهواز، اهواز، ایران
3 دانشیار، گروه مهندسی عمران، دانشگاه شهید چمران اهواز، اهواز، ایران
10.22070/rsci.2025.20643.1828
چکیده
هدف: پژوهش حاضر به بررسی تولیدات علمی در حوزه هوشمندسازی مدیریت دانش در تصفیه آب به‌منظور بررسی روندهای موضوعی، شبکه‌های همکاری، شناسایی شکاف‌های پژوهشی و اولویت‌های پژوهشی آتی می‌پردازد.
روش‌شناسی: پژوهش علم‌سنجی حاضر از نوع مطالعات کاربردی است. داده‌های پژوهش از پایگاه‌های اسکوپوس (Scopus) و وب‌آوساینس (Web of Science) گرد‌آوری شد. جامعه آماری پژوهش شامل 172 مدرک بود که پس از انجام فرایند غربالگری، 49 مدرک به‌عنوان نمونه انتخاب شدند. تحلیل داده‌ها نیز با نرم‌افزار R پکیج تخصصی bibliometrix انجام شد.
یافته‌ها: از سال 2015 م. به بعد توجه به مدیریت دانش در این حوزه افزایش یافته است و در سال 2024م. با ثبت 8 تولید علمی، بیشترین تعداد مدارک منتشرشده است. کشور چین، آمریکا و انگلستان، به ترتیب با 11، 10 و 6 مدرک ، فعال‌ترین کشورها بودند. نویسندگان «هان هونگوی» و «چیاو، جونفی» نیز با 4 مدرک ، فعال‌ترین پژوهشگران این حوزه بودند. براساس تحلیل واژگان و روندهای موضوعی، واژگان هوش مصنوعی، یادگیری ماشین، پایش محیطی و سیستم‌های هوشمند بیشترین فراوانی را داشتند. همچنین IEEE Transactions on Industrial Informatics با انتشار 3 مقاله، فعال‌ترین منبع علمی شناخته شد. نتایج خوشه‌بندی سلسله مراتبی سه محور موضوعی را آشکار ساخت: محور نخست، مدیریت منابع آب و تأمین آب سالم از طریق فناوری‌های نوین؛ محور دوم، ظهور فناوری‌های نوین و سیستم‌های پشتیبان نوین؛ و محور سوم، پایش کیفیت آب از طریق آموزش سیستم. همچنین موضوعاتی مانند تصفیه فاضلاب، داده‌کاوی، سیستم‌های پشتیبان تصمیم و مدیریت دانش به‌عنوان موضوعات بلوغ‌یافته و موضوعاتی مانند تغییر اقلیم، هزین ه‌- اثربخشی، اکوسیستم‌ها و آلودگی آبی به‌عنوان موضوعات در حال ظهور یا در حال افول، در نمودار راهبردی شناسایی شدند.
نتیجه‌گیری: نتایج نشان داد که حوزه هوشمندسازی مدیریت دانش در تصفیه آب، مسیری چندبعدی و تکاملی را سپری می‌کند. در این زمینه، همگرایی بین مدیریت دانش با فناوری‌های نوین، باعث کنترل کیفیت آب، پایداری محیط‌زیست، کاهش هزینه‌ها و صرفه‌جویی در زمان و انرژی خواهد شد. از این‌رو، توسعه این حوزه مستلزم توسعه همکاری‌های بین‌المللی است.
کلیدواژه‌ها
مدیریت دانش
تصفیه آب
علم‌سنجی
تحلیل موضوعی
هوشمندسازی دانش
موضوعات

عنوان مقاله English

Intelligent Knowledge Management in Water Treatment: A Scientometric Analysis of Thematic Trends, Collaboration Networks, Research Gaps, and Future Research Priorities

نویسندگان English

Hadi Elhaei 1
Mansoor Koohi Rostami 2
Seyed Mohammad Ashrafi 3
1 PhD Candidate, Department of Information Science and Knowledge Studies, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 Associate Professor, Department of Information Science and Knowledge Studies, Shahid Chamran University of Ahvaz, Ahvaz, Iran
3 Associate Professor, Department of Civil Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran
چکیده English

Purpose: Knowledge management (KM) is recognized as a critical strategic framework that enables organizations to effectively leverage intellectual assets and enhance operational efficiency. In the water treatment industry, KM involves the collection, organization, sharing, and utilization of employees’ technical knowledge and specialized expertise. This process promotes technological innovation, increases system productivity, and improves service quality. Recently, the role of KM in organizations, including the water sector, has evolved to become closely integrated with artificial intelligence (AI). This development has garnered significant scholarly attention, leading to a growing body of research. One of the most effective methods to evaluate these research outputs is scientometric analysis. Therefore, this study examines scientific production in the field of intelligent KM in water treatment, aiming to identify thematic trends, collaboration networks, research gaps, and future research priorities.

Methodology: This applied research utilizes scientometric techniques to analyze scientific publications related to intelligent knowledge management (KM) in water purification. Relevant articles were retrieved from the Scopus and Web of Science databases. From an initial pool of 172 documents, 49 were selected after screening titles, abstracts, and keywords. Scientometric analyses were performed using the bibliometrix package in R. To address the research questions, bibliometric methods and word co-occurrence networks were employed. Frequent keywords were identified, dominant conceptual clusters were mapped, and influential thematic trends were examined. Additionally, strategic diagrams, thematic mapping, and hierarchical clustering were used to construct a comprehensive science map of the field.
Findings: Since 2015, there has been an increasing focus on knowledge management in this field. In 2024, the highest number of documents was published, totaling eight scientific productions. Other notable years include 2022 and 2018, with seven and five articles published, respectively, demonstrating a growing trend. China, the United States, and the United Kingdom were the most active countries, contributing 11, 10, and 6 scientific documents, respectively. Beijing University of Technology and Tianjin University have played crucial roles in generating knowledge and advancing new technologies in this area. The journal IEEE Transactions on Industrial Informatics, with three articles, ranks first among sources publishing documents, with most sources classified as Q1. The top researchers, Han Honggui and Qiao Junfei, each have four articles, while Wu Xiaolong has three, highlighting their significant contributions to research knowledge production. Vocabulary analysis and topic trends indicate that artificial intelligence, machine learning, environmental monitoring, and intelligent systems are the most frequently discussed subjects. The trend chart reveals a progression in topics within this field, beginning with decision support systems and water purification, transitioning to water management and decision-making supported by knowledge management systems, and ultimately focusing on artificial intelligence and system training through machine learning. Hierarchical clustering has identified three thematic axes: water resources management and safe water supply through new technologies; the emergence of new technologies and support systems; and water quality monitoring through system training. Strategic topics such as wastewater treatment, data mining, decision support systems, and knowledge management are considered mature areas that will shape future research directions. Additionally, topics like denitrification, nitrogen removal, and freshwater resource management are fundamental to supporting the main research axes. Climate change, cost-effectiveness, ecosystems, and water pollution are highlighted as emerging or declining topics. Quality control, environmental monitoring, and the aquatic environment occupy central positions in the diagram, acting as bridges between core topics and driving forces in the field.
Conclusion: The findings indicate that the field of intelligent KM in water treatment has achieved relative stability in recent years and continues to maintain a strong position within interdisciplinary research. Analysis shows that core topics—including KM, data mining, intelligent organizations, and advanced water treatment technologies—remain central to scholarly attention and play a crucial role in optimizing treatment processes. Emerging trends suggest a multidimensional evolution, with the convergence of KM and advanced technologies offering pathways to enhance water quality, promote environmental sustainability, and reduce costs, time, and energy consumption. Strengthening international collaboration, expanding scientific networks, and adopting AI-, machine learning–, and data mining–based approaches can further consolidate and advance the field. In summary, the future of research related to knowledge management in water purification will depend on the use of smart technologies, extensive global interactions, holding global conferences in this field, and effective participation in international scientific cooperation.

کلیدواژه‌ها English

Knowledge management
Water treatment
Scientometrics
Knowledge intelligence
Smart knowledge systems
امامی، س.، و چوپان، ی. (1399). استفاده از روش‌های نوین هوش مصنوعی در بررسی کیفیت منابع آب زیرزمینی (مطالعه موردی: دشت سلماس). نشریه زمین‌شناسی محیط‌زیست، 14(50)، 39-55. بازیابی شده در ۲۲ مهر، ۱۴۰۳، از https://www.magiran.com/p2159228
جمالی، ز.، اسمعیلی گیوی، م.، و نوروزی، ع. (1398). واکاوی ابعاد مدیریت دانش شخصی و تحلیل نقش واسطه‏‌ای آن در تأثیر ویژگی‏‌های روان‌شناختی بر شایستگی‏‌های سازمانی در خدمات اطلاعاتی و دانشی. پژوهش‌نامه کتابداری و اطلاع رسانی، 9(1)، 85-106. https://infosci.um.ac.ir/article_33655.html                
خلعتبری، س.، و داغبندان، ا. (1396). مدل‌سازی و پیش‌بینی میزان کدورت آب شرب با استفاده از شبکه عصبی نوع GMDH [مقاله کنفرانسی]. چهارمین کنفرانس علوم و مهندسی جداسازی، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران. https://civilica.com/doc/632701
رضایی، ر.، صالحی مقدم، ن.، و شعبانعلی فمی، ح. (1393). بررسی اثر مدیریت دانش بر عملکرد سازمانی در سازمان جهاد کشاورزی استان البرز. پژوهش‌های ترویج و آموزش کشاورزی، 7(4)، 77-91.
    https://www.sid.ir/paper/189954/fa
سیفی، خ.، فهیمی فر، س.،  و نوروزی، ع. (1399). بررسی تطبیقی تولیدات علمی دانشگاه صنعتی شریف در پایگاه‌های استنادی وب آوساینس و اسکوپوس. سیاست‌نامه علم و فناوری، 10(3)، 109-122. بازیابی شده در ۲۲ مهر، ۱۴۰۳، از https://2.189.160.148/fa/article/441661
عاکفیان، ز.، و فکور ثقیه، ا. م. (1399). طراحی مدل مدیریت دانش درشرکت آب و فاضلاب استان خراسان رضوی [مقاله کنفرانسی]. سومین کنفرانس ملی کارآفرینی و مهندسی صنایع، تهران، ایران.
    https://civilica.com/doc/1192697/     
فرزین یزدی، م.، و رضایی شریف آبادی، س. (۱۳۹۶). بررسی تولیدات علمی حوزه موضوعی هوش مصنوعی در کشورهای خاورمیانه طی سال‌های 1996 تا 2014. پژوهش‌نامه علم‌سنجی، 3(2)، 97-114.
    https://doi.org/10.22070/rsci.2017.512
قربانی بوساری، ر.، قیاسی، م.، و رضوی، س. ع. ا. (1402). مطالعه وضعیت بهره‌وری، کارایی و نفوذ علمی پژوهشگران در حوزه داده‌های پیوندی. پژوهش‌نامه علم‌سنجی،  9(2)، 45-74.
    https://doi.org/10.22070/rsci.2022.16188.1588
مصطفوی، ا.، اسمعیل پونکی، ا.، و خوئینی، س. (1400). الگوهای هم‌نویسندگی و روندهای موضوعی مدارک علمی تولیدشده توسط پژوهشگران علم روانشناسی دانشگاه‌های شهر تهران در پایگاه اطلاعاتی وب‌آوساینس. پژوهش‌نامه علم‌سنجی، 7(1)،  183-202. https://doi.org/10.22070/rsci.2020.4987.1340
نبی لو، م.، و دانشپور، ن. (1394). یک الگوریتم ترکیبی خوشه‌بندی جدید در رویکرد داده‌های دسته‌ای. مجله علمی رایانش نرم و فناوری اطلاعات، 4(4)،13-27.
    https://jscit.nit.ac.ir/article_51659_f121ffef581d1edd2455d32ca10e152c.pdf
نوروزی چاکلی، س.، و موسوی خانقاه، الف. (1405). تحلیل ساختار دانشی، تکامل موضوعی و جهت‌گیری‌های آینده و نوظهور در پژوهش‌های طراحی رابط کاربری برای هوش مصنوعی توضیح‌پذیر (XAI) در داشبوردهای تصمیم‌گیری: مطالعه‌ای علم‌سنجی. پژوهش‌نامه علم‌سنجی، ۱۲(۲)، ۲۳۵- ۲۶۸.
    https://rsci.shahed.ac.ir/article_5073.html?lang=en
یوسفیان، ا.، فقیهی، ا.، و دانشفرد، ک.ا. (1400). طراحی الگوی خط‌مشی منسجم حکمرانی آب در ایران. فصلنامه انجمن علوم مدیریت ایران، 16(64)، ۱- ۳۲. http://journal.iams.ir/article_363.html?lang=en
Aguirre, K. A., & Paredes Cuervo, D. (2023). Water safety and water governance: A scientometric review. Sustainability, 15(9), 1-16.
      https://www.mdpi.com/2071-1050/15/9/7164
Akfian, Z., & Fakhur Thaqiyah, A. M. (2021). Design of knowledge management model in Khorasan Razavi Province Water and Wastewater Company [Conference Presentation]. Third National Conference on Entrepreneurship and Industrial Engineering, Tehran. https://civilica.com/doc/1192697/ [In Persian].
Alaerts, G. J., & Kaspersma, J. M. (2022). Facing global transitions in water management: Advances in knowledge and capacity development and towards adaptive approaches. Water Policy, 24(5), 685-707. https://doi.org/10.2166/wp.2022.301
Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Bettiol, M., Capestro, M., Di Maria, E., & Grandinetti, R. (2023). Leveraging on intra-and inter-organizational collaboration in Industry 4.0 adoption for knowledge creation and innovation. European Journal of Innovation Management, 26(7), 328-352.
      https://doi.org/10.1108/EJIM-10-2022-0593
Callon, M., Courtial, J.-P., Turner, W. A., & Bauin, S. (1983). From translations to problematic networks: An introduction to co-word analysis. Social Science Information, 22(2), 191-235. https://doi.org/10.1177/053901883022002003
Chang, YW., Huang, MH. & Lin, CW. (2015). Evolution of research subjects in library and information science based on keyword, bibliographical coupling, and co-citation analyses. Scientometrics, 105, 2071-2087. https://doi.org/10.1007/s11192-015-1762-8  
Chen, C. (2006). CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature. Journal of the American Society for Information Science and Technology, 57(3), 359-377. https://doi.org/10.1002/asi.20317
Cobo, M. J., López‐Herrera, A. G., Herrera‐Viedma, E., & Herrera, F. (2011). Science mapping software tools: Review, analysis, and cooperative study among tools. Journal of the American Society for Information Science and Technology, 62(7), 1382-1402.  
      https://doi.org/10.1002/asi.21525
Cu, M., Chan, J., Peko, G., & Sundaram, D. (2021). Knowledge management practices: iInnovation the path to organizational performance. In P. Cong Vinh, & A. Rakib (Eds.), Context-Aware Systems and Applications. ICCASA 2021. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering (Vol. 409, pp. 20-37). Springer.  https://doi.org/10.1007/978-3-030-93179-7_2
De Bellis, N. (2009). Bibliometrics and Citation Analysis: From the Science Citation Index to Cybermetrics. Scarecrow Press. https://books.google.com/books?id=ma4YjaKyM9cC
El Gamal, G. A. Z., & Gomaa, A. M. (2026). AI and smart water treatment: A bibliometric perspective on emerging technologies in water purification. Advanced Sciences and Technology Journal, 3(1), 1055. Retrieved August 22, 2026, from
https://www.researchgate.net/publication/394961832_AI_and_Smart_Water_Treatment_A_Bibliometric_Perspective_on_Emerging_Technologies_in_Water_Purification
Emami, S., & Choopan, Y. (2020). Application of new Artificial Intelligence Methods in Groundwater Quality Assessment (Case Study: Salmas Plain). Iranian Journal of Environmental Geology, 14(50), 39-55. Retrived October 13, 2024, from
      https://www.magiran.com/p2159228 [In Persian].
Farzin Yazdi, M., & Rezaei Sharifabadi, S. (2017). Scientific publications in the subject area of Artificial Intelligence in Middle Eastern countries during 1996 to 2014. Scientometrics Research Journal, 3(2), 97-114. https://doi.org/10.22070/rsci.2017.512 [In Persian].
Ghorbani Bousari, R., Ghiasi, M., & Razavi, S. A. (2024. Studying the status of productivity, efficiency, and scientific influence of researchers in the field of linked data. Scientometrics Research Journal, 9(2), 45-74. https://doi.org/10.22070/rsci.2022.16188.1588 [In Persian].
Gupta, A D., Pandey, P., Feijóo, A., Yaseen, Z. M., & Bokde, N. D. (2020). Smart water technology for efficient water resource management: A review. Energies, 13(23), 1-23.
      https://doi.org/10.3390/en13236268
Han, Z., Zhang, S., & He, L. (2025). Predicting and investigating water quality index by robust machine learning methods. Journal of Environmental Management, 381, 125156.
      https://doi.org/10.1016/j.jenvman.2025.125156
Howell, S., Beach, T., & Rezgui, Y. (2021). Robust requirements gathering for ontologies in smart water systems. Requirements Engineering, 26(1), 97-114.
      https://doi.org/10.1007/s00766-020-00335-z
Jamali, Z., Esmaili Givi, M. R., & Noruzi, A. (2019). Investigating personal knowledge management and its mediating role on the impact of psychological characteristics on organizational competencies in information and knowledge services. Library and Information Science Research, 9(1), 85-106. https://doi.org/10.22067/riis.v0i0.70235
      [In Persian].
Jayapriya, R. (2021). Scientometrics analysis on water treatment during 2011 to 2020. Indian Journal of Information Sources and Services, 11(2), 58-63. https://doi.org/10.51983/ijiss-2021.11.2.2889
José de Oliveira, O., Francisco da Silva, F., Juliani, F., César Ferreira Motta Barbosa, L., & Vieira Nunhes, T. (2019). Bibliometric method for mapping the state-of-the-art and identifying research gaps and trends in literature: An essential instrument to support the development of scientific projects [Open Access Peer-Reviewed Chapter]. In S. Kunosic,  E. & Zerem, E. (Eds), Scientometrics recent advances. IntechOpen.
      https://www.intechopen.com/chapters/69867
Ke, W., Yunjiang, X., Xiao, L., & Weichan, L. (2013, August). Analysis on current research of supernetwork through knowledge mapping method. In M. Wang, (Ed.), Knowledge Science, Engineering and Management. KSEM 2013. (Lecture Notes in Computer Science Vol 8041, pp. 538- 550). Springer. https://doi.org/10.1007/978-3-642-39787-5_45
Khalatbari, S. F., & Dagbandan, A. (2017). Modeling and predicting drinking water turbidity using GMDH-type neural network [Conference Presentation]. 4th Conference on Separation Science and Engineering, Babol Noshirvani University of Technology, Babol, Iran. https://civilica.com/doc/632701 [In Persian].
Kumar, R., & Goyal, M. K. (2025). Role of AI&ML in modernizing water and wastewater treatment processes. Water, Air, & Soil Pollution, 236(1), Article number 31.
      https://doi.org/10.1007/s11270-024-07618-z
Li, X., Su, J., Wang, H., Boczkaj, G., Mahlknecht, J., Singh, S. V., & Wang, C. (2024). Bibliometric analysis of artificial intelligence in wastewater treatment: Current status, research progress, and future prospects. Journal of Environmental Chemical Engineering, 12(4), 113152. https://doi.org/10.1016/j.jece.2024.113152
Lillemoen, J., & Falk, K. (2020). Knowledge reuse in a small company in the water treatment industry: A case study. INCOSE International Symposium, 30(1), 1689-1702.
      https://doi.org/10.1002/j.2334-5837.2020.00813.x
Martínez, M. G. C. (2022). Multi-case study of knowledge management at UNAM. In M. L. S. Limón, & M. L. S. García (Eds.), Responses Under COVID-19, Research in Administrative Sciences Under COVID-19 (pp. 67-88). Emerald Publishing Limited.
      https://doi.org/10.1108/978-1-80262-297-320221005
Mostafavi, I., Esmaeil Pounaki, E., & Khoieni, S. (2021). Co-authoring patterns and subject trends of scientific documents produced by psychology researchers at Universities of Tehran City in Web of Science database. Scientometrics Research Journal, 7(1), 183-202.
      https://doi.org/10.22070/rsci.2020.4987.1340 [In Persian].
Nabiloo, M., & Daneshpour, N. (2015). A new hybrid clustering algorithm in batch data approach. Journal of Soft Computing and Information Technology, 4(4). 13-2.
      https://jscit.nit.ac.ir/article_51659_f121ffef581d1edd2455d32ca10e152c.pdf [In Persian].
Noroozi Chakoli, S., & Mousavi Khaneghah, E. (2026). Analysis of the knowledge structure, thematic evolution, and emerging and future research directions in user interface design for Explainable Artificial Intelligence (XAI) in Decision-Making Dashboards: A scientometric study. Scientometrics Research Journal, 12(2), 235-268.
      https://rsci.shahed.ac.ir/article_5073.html?lang=en [In Persian].
Papageorgiou, N., Pournara, D., Apostolou, D., & Mentzas, G. (2025). Managing industrial water treatment processes knowledge with knowledge graphs. Intelligent Decision Technologies, 19(2), 687-717. https://doi.org/10.1177/18724981251321368
Qiu, J.-P., Dong, K., & Yu, H.-Q. (2014). Comparative study on structure and correlation among author co-occurrence networks in bibliometrics. Scientometrics, 101(2), 1345-1360.
      https://doi.org/10.1007/s11192-014-1315-6  
Rezaei, R., Salahe Moghadam, N., & Shabanali Fami, H. (2015). The effect of knowledge management on organizational performance of Jihad-e- Agriculture Organization in Alborz province. Journal of Agricultural Extension and Education Research, 7(4), 77-91.
      https://www.magiran.com/paper/1413115 [In Persian].
Seifi, K., Fahimifar, S., & Noruzi, A. (2020). A comparative analysis of the Sharif University of Technology's scientific productions in the Web of Science and Scopus. Science and Technology Policy Letters, 10(3), 109-122. Retrived October 13, 2024, from
      https://2.189.160.148/fa/article/441661 [In Persian].
Valdiviezo Gonzales, L. G., García Ávila, F. F., Cabello Torres, R. J., Castañeda Olivera, C. A., & Alfaro Paredes, E. A. (2021). Scientometric study of drinking water treatments technologies: Present and future challenges. Cogent Engineering, 8(1), 1929046.
      https://doi.org/10.1080/23311916.2021.1929046
Van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538.
      https://doi.org/10.1007/s11192-009-0146-3
Wang, G., Li, D., & Kumar, S. (2024-a). Scientometric analysis of water ecology research: Insights from Chinese ocean universities. Desalination and Water Treatment, 320, 100897. https://doi.org/10.1016/j.dwt.2024.100897
Wang, Y.-Q., Tian, W., Yang, H.-L., Song, Y.-P., Chen, J.-J., Xu, Q.-Y., Yin, W.-X., Ding, L.-Q., Li, X.-Q., & Wang, H.-T. (2025). Knowledge embedding and interpretable machine learning optimize comprehensive benefits for water treatment. npj Clean Water, 8(1), 1-10. https://doi.org/10.1038/s41545-025-00510-1
Wang, Y., Cao, J., Biswas, A., Fang, W., & Chen, L. (2024-b). Acid mine wastewater treatment: A scientometrics review. Journal of Water Process Engineering, 57, 104713.
      https://doi.org/10.1016/j.jwpe.2023.104713
Yousefian, E., Faghihi, A., & Daneshfard, K. (2022). Designing a model of integrated policy for water governance in Iran. Iranian Journal of Management Ssciences, 16(64), 1-32.
      http://journal.iams.ir/article_363.html?lang=en [In Persian].
Zhao, D., & Strotmann, A. (2014). The knowledge base and research front of information science 2006–2010: An author cocitation and bibliographic coupling analysis. Journal of the Association for Information Science and Technology, 65(5), 995-1006.
      https://doi.org/10.1002/asi.23027
Zhao, L., Dai, T., Qiao, Z., Sun, P., Hao, J., & Yang, Y. (2020). Application of artificial intelligence to wastewater treatment: A bibliometric analysis and systematic review of technology, economy, management, and wastewater reuse. Process Safety and Environmental Protection, 133, 169-182. https://doi.org/10.1016/j.psep.2019.11.014
Zhou, K., Wu, B., & Zhang, X. (2025). Worldwide research progress and trends in application of machine learning to wastewater treatment: A bibliometric analysis. Water, 17(9), 1-17. 
      https://doi.org/10.3390/w17091314