استفاده از الگوریتمهای یادگیری ماشین در استخراج مشابهت علمی کشورها
نویسندگان
1 استادیار، گروه کامپیوتر، دانشکده فنی و مهندسی دانشگاه پیام نور، تهران، ایران
2 کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران
doi
10.22034/aimj.2025.459108.1592چکیده
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.
