فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: هوش‌مصنوعی توضیح‌پذیر به‌عنوان یکی از حوزه‌های نوظهور و راهبردی در پژوهش‌های مرتبط با هوش‌مصنوعی مطرح است که هدف آن افزایش شفافیت، اعتماد و توضیح‌پذیری سامانه‌های هوشمند است. در همین راستا، گراف دانش با فراهم‌سازی چارچوبی ساختاریافته برای نمایش و سازماندهی روابط پیچیده میان موجودیت‌های داده‌ای، نقش مهمی در ارتقای درک مفهومی از داده‌ها ایفا می‌کند. همگرایی دو حوزه هوش‌مصنوعی و گراف دانش می‌تواند موجب بهبود عملکرد کیفی و افزایش قابلیت توضیح‌پذیری سامانه‌های مبتنی بر هوش‌مصنوعی شود؛ به‌ویژه در کاربردهای حیاتی نظیر سامانه‌های هوافضا، فناوری هسته‌ای و پزشکی که نیازمند دقت عملیاتی و اعتماد بالا هستند. با وجود ظرفیت‌های چشمگیر این رویکرد تلفیقی، تاکنون مطالعات اندکی به بررسی نظام‌مند و جامع آن پرداخته‌اند. هدف این پژوهش، تحلیل روندها و ساختار علمی موجود در حوزه‌های هوش‌مصنوعی توضیح‌پذیر و گراف دانش با بهره‌گیری از روش‌های علم‌سنجی است.مواد و روش: پژوهش حاضر از نوع کاربردی و با استفاده از ابزارهای علم سنجی از جمله ووس-ویور و یوسینت انجام شده است. پژوهش شامل کلیه رکوردهای اطلاعاتی نمایه شده مرتبط با گراف دانش و هوش‌مصنوعی توضیح‌پذیر طی سال‌های 2020-2024 با تعداد 13818 رکورد اطلاعاتی شامل مقاله، کتاب، چکیده و... تجزیه و تحلیل می‌کند تا روندهای پژوهشی جهانی، نویسندگان برجسته، مؤسسات و خوشه‌های پژوهشی را شناسایی کند.یافته‌ها: تحلیل داده‌های علمی نشان می‌دهد کشور چین با ثبت ۶۰۲۷ مدرک پژوهشی، پیشتاز تحقیقات در این حوزه بوده و سهمی چشمگیر از تولیدات علمی را به خود اختصاص داده است. ایالات متحده آمریکا و آلمان به ترتیب در رده‌های بعدی قرار دارند که نشان‌دهنده تمرکز اصلی پژوهش‌های جهانی در این سه کشور است. از منظر موضوعی، کلیدواژه‌های گراف دانش، هوش‌مصنوعی توضیح‌پذیر و یادگیری ماشین بیشترین تکرار را در مقالات داشته‌اند که حاکی از اهمیت این مفاهیم در تحقیقات اخیر است. نتایج تحلیل خوشه‌ای نشان می‌دهد که پژوهش‌های این حوزه عمدتاً در چهار جهت اصلی توسعه یافته‌اند: (1) مدل‌سازی مبتنی بر گراف که به بررسی روابط ساختاری داده‌ها می‌پردازد، (2) کاربردهای معنایی که بر جنبه‌های کاربردی تأکید دارد، (3) قابلیت توضیح در یادگیری ماشین که به شفاف‌سازی مدل‌ها مربوط می‌شود و نهایتاً (4) استخراج ویژگی و مدل‌سازی پیش‌بینی که بر بهبود عملکرد سیستم‌ها متمرکز است. این یافته‌ها نشان می‌دهد که جامعه علمی به صورت نظام‌مند به جنبه‌های نظری و عملی این حوزه پرداخته است.نتیجه‌گیری: تحلیل داده‌ها نشان می‌دهد که حوزه‌های گراف دانش و هوش‌مصنوعی توضیح‌پذیر درکشورهای پیشگام عرصه هوش‌مصنوعی مورد توجه بالاتری بوده و منجر به افزایش تعداد تولیدات علمی این حوزه‌ها در این کشورها شده است. پژوهش حاضر می‌تواند یک نمای کلی جامع از چشم‌انداز پژوهش ارائه دهد و بینش‌های ارزشمندی را برای محققان و سیاست‌گذاران به منظور پیشبرد توسعه هوش‌مصنوعی توضیح‌پذیر و گراف‌ دانش و در نتیجه رفع شکاف‌های موجود در شفافیت و توضیح‌پذیری در سیستم‌های هوش‌مصنوعی ارائه می‌کند.