سال 17، شماره 2 - ( فروردین - اردیبهشت 1402 )                   جلد 17 شماره 2 صفحات 160-150 | برگشت به فهرست نسخه ها


XML English Abstract Print


1- استادیار علم اطلاعات، گروه مدیریت اطلاعات، مرکز منطقه ای اطلاع رسانی علوم و فناوری، شیراز، ایران
2- استادیار علم اطلاعات، گروه مدیریت اطلاعات، مرکز منطقه ای اطلاع رسانی علوم و فناوری، شیراز، ایران ، frahimi@ricest.ac.ir
چکیده:   (2192 مشاهده)

زمینه و اهداف:  حجم بسیار بالای انتشارات معتبر COVID-۱۹ در سراسر جهان، ضرورت پایش و تحلیل متون علمی COVID-۱۹ را برای پژوهشگران در سطح خرد و برای سیاست‌گذاران و برنامه ‏ریزان در سطح کلان‌ بیش‌ از پیش آشکار می ‏سازد. به‌ بیان‌ دیگر، نتایج منتج از تحلیل مدارک منتشرشده COVID-۱۹ با روش ‏ها و تکنیک‌های متن‏کاوی از جایگاه و اهمیت ویژه‏ای برای پژوهشگران، سیاست‌گذاران و برنامه ‏ریزان علوم پزشکی در سطح ملی و بین‏ المللی برخوردار است و ضرورت انجام چنین پژوهشی را بیش‌ از پیش آشکار می‌سازد. هدف اصلی پژوهش حاضر شناسایی موضوعات نو ظهور و روند تغییر در واژگان علمی در سطح ملی و بین ‏المللی حوزه موضوعی COVID-۱۹ با روش متن‏ کاوی است.
مواد و روش کار:  نوع پژوهش حاضر، کاربردی است. این پژوهش با استفاده روش متن‌ کاوی و الگوریت م‏ها و تکنیک ‏های مربوط به آن و همچنین طبقه‌بندی متون با رویکرد تحلیلی-تطبیقی انجام‌ شده است. جامعه پژوهش حاضر شامل کلیه انتشارات COVID-۱۹ نمایه شده در پایگاهPubMed Central® (PMC)  است. تا تاریخ بیست خردادماه سال ۱۴۰۰ تعداد رکوردهای بازیابی شده از پایگاه PubMed Central® (PMC)، ۱۶۰۸۶۲ مورد بود. از این تعداد ۳۱۴۳ مورد انتشارات ملی و ۱۵۷۷۱۹ مورد انتشارات بین ‏المللی COVID-۱۹ است. در این پژوهش از زبان برنامه ‏نویسی پایتون و کتابخانه ‏های مرتبط با این برنامه استفاده شد. مهم‌ترین واژگان بر اساس وزن دهی TF-IDF نیز شناسایی و گزارش شد. موضوعات نوظهور با توجه به رشد میانگین وزنی، شناسایی شدند.
یافته ها:  تحلیل داده‌ها حاکی از آن است که “covid”، “infect” و “cell” از مهم‌ترین واژگان بکار رفته در انتشارات بین‌المللی COVID-۱۹ و “patient”،  “SARS-Cov” و “covid” مهم‌ترین واژگان انتشارات ملی هستند.
نتیجه‌گیری:  در خصوص روند تغییرات واژگان مورد استفاده در انتشارات COVID-۱۹ از مهمترین نتایجی که می‏توان استنباط نمود تفاوت اساسی بین مهمترین واژه‏ های انتشارات بین ‏المللی با ملی و تاکید پژوهش های بین الملل بر کرونا و عفونت ناشی از آن و در سطح ملی بر بیماران و کرونا است. نتیجه مهم دیگر تغییرات سالانه بوجود آمده در واژه ‏ها در سطح انتشارات ملی و بین‏ المللی است. شایان ذکر است که تغییرات واژه ‏ها به خصوص در انتشارات ملی و بین ‏المللی هم‏راستا با اتفاقات و رویدادهای مهم علمی است.

متن کامل [PDF 2059 kb]   (521 دریافت) |   |   متن کامل (HTML)  (578 مشاهده)  
نوع مطالعه: مقاله پژوهشی | موضوع مقاله: تحلیل علم‌سنجی
دریافت: 1401/9/22 | پذیرش: 1401/12/9 | انتشار الکترونیک: 1402/1/10

فهرست منابع
1. Cui X, Wang P, Wei Z. Emergency use of COVID-19 vaccines recommended by the World Health Organization (WHO) as of June 2021. Drug Discov Ther. 2021;15(4):222-4. [DOI:10.5582/ddt.2021.01064] [PMID]
2. Saeidnia H, Mohammadzadeh Z, Saeidnia M, Mahmoodzadeh A, Ghorbani N, Hasanzadeh M. Identifying Requirements of a Self-care System on Smartphones for Preventing Coronavirus Disease 2019 (COVID-19). Iran J Med Microbiol. 2020;14(3):241-51. [DOI:10.30699/ijmm.14.3.241]
3. Danesh F, Ghavidel S. Coronavirus: Scientometrics of 50 Years of Global Scientific Productions. Iran J Med Microbiol. 2020;14(1):1-16. [DOI:10.30699/ijmm.14.1.1]
4. Shehata A, El Dakar M, Salem N, editors. Top COVID-19 100 vaccine papers: An Altmetric study. 2021 22nd International Arab Conference on Information Technology (ACIT); 2021. [DOI:10.1109/ACIT53391.2021.9677241] [PMID] [PMCID]
5. Falagas ME, Pitsouni EI, Malietzis GA, Pappas G. Comparison of PubMed, Scopus, Web of Science, and Google Scholar: strengths and weaknesses. FASEB J. 2008;22(2):338-42. [DOI:10.1096/fj.07-9492LSF] [PMID]
6. Cheng X, Shuai C, Liu J, Wang J, Liu Y, Li W, et al. Topic modelling of ecology, environment and poverty nexus: An integrated framework. Agric Ecosyst Environ. 2018;267:1-14. [DOI:10.1016/j.agee.2018.07.022]
7. Jelodar H, Wang Y, Yuan C, Feng X, Jiang X, Li Y, et al. Latent Dirichlet allocation (LDA) and topic modeling: models, applications, a survey. Multimed Tools Appl. 2019;78(11):15169-211. [DOI:10.1007/s11042-018-6894-4]
8. O'Callaghan D, Greene D, Carthy J, Cunningham P. An analysis of the coherence of descriptors in topic modeling. Expert Syst Appl. 2015;42(13):5645-57. [DOI:10.1016/j.eswa.2015.02.055]
9. Steyvers M, Griffiths T. Probabilistic topic models. Handbook of latent semantic analysis. 15 ed: Psychology Press; 2007. p. 439-60.
10. Meskarpour Amiri M, Nasiri T, Mehdizadeh P. Subjects clustering analysis and science mapping on COVID-19 researches in scopus database. J Mil Med. 2020;22(6):663-9.
11. Tran BX, Ha GH, Nguyen LH, Vu GT, Hoang MT, Le HT, et al. Studies of novel coronavirus disease 19 (COVID-19) pandemic: a global analysis of literature. Int J Environ Res Public Health. 2020;17(11):4095. [DOI:10.3390/ijerph17114095] [PMID] [PMCID]
12. Cheng X, Cao Q, Liao SS. An overview of literature on COVID-19, MERS and SARS: Using text mining and latent Dirichlet allocation. J Inf Sci. 2022;48(3):304-20. [DOI:10.1177/0165551520954674] [PMCID]
13. Doanvo A, Qian X, Ramjee D, Piontkivska H, Desai A, Majumder M. Machine Learning Maps Research Needs in COVID-19 Literature. Patterns. 2020;1(9):100123. [DOI:10.1016/j.patter.2020.100123] [PMID] [PMCID]
14. Han X, Wang J, Zhang M, Wang X. Using social media to mine and analyze public opinion related to COVID-19 in China. Int J Environ Res Public Health. 2020;17(8):2788. [DOI:10.3390/ijerph17082788] [PMID] [PMCID]
15. Chire Saire J, Pineda-Briseño A. Text Mining for Covid-19 Analysis in Latin America. Artif Intell. 2021:257-94. [DOI:10.1007/978-3-030-69744-0_16]
16. Abdeen MAR, Hamed AA, Wu X. Fighting the COVID-19 Infodemic in News Articles and False Publications: The NeoNet Text Classifier, a Supervised Machine Learning Algorithm. Appl Sci. 2021;11(16):7265. [DOI:10.3390/app11167265]
17. Jafari Baghiabadi S, Razieh F. Studying of Research Related to COVID-19 Vaccine in Iran and the World: A Thematic Analysis and Scientific Collaborations. Iran J Med Microbiol. 2021;15(4):414-57. [DOI:10.30699/ijmm.15.4.414]
18. Danesh F, Dastani M, Ghorbani M. Retrospective and prospective approaches of coronavirus publications in the last half-century: a Latent Dirichlet allocation analysis. Libr Hi Tech. 2021;39(3):855-72. [DOI:10.1108/LHT-09-2020-0216]
19. Žižka J, Dařena F, Svoboda A. Text mining with machine learning: principles and techniques: Crc Press; 2019. [DOI:10.1201/9780429469275]
20. Rehurek R, Sojka P. Software framework for topic modelling with large corpora. Proceedings of the LREC workshop on new challenges for NLP frameworks: Citeseer; 2010.
21. Kim YM, Delen D. Medical informatics research trend analysis: A text mining approach. Health Informatics J. 2018;24(4):432-52. [DOI:10.1177/1460458216678443] [PMID]
22. Malaterre C, Lareau F, Pulizzotto D, St-Onge J. Eight journals over eight decades: a computational topic-modeling approach to contemporary philosophy of science. Synthese. 2021;199(1):2883-923. [DOI:10.1007/s11229-020-02915-6]
23. Danesh F, Dastani M. Application of Artificial Intelligence for Discovering the Subject Classes of National Publications Based on International Publications: COVID-19 Publications. Digit Health. under review; 2023.
24. Dornick C, Kumar A. Seidenberger S, Seidle E, Mukherjee P. Analysis of Patterns and Trends in COVID-19 Research. Procedia Comput Sci; 2021 [DOI:10.1016/j.procs.2021.05.032]
25. Haghani M, Bliemer MCJ, Goerlandt F, Li J. The scientific literature on Coronaviruses, COVID-19 and its associated safety-related research dimensions: A scientometric analysis and scoping review. Saf Sci. 2020;129:104806. [DOI:10.1016/j.ssci.2020.104806] [PMID] [PMCID]
26. Gupta A, Aeron S, Agrawal A, Gupta H. Trends in COVID-19 publications: streamlining research using NLP and LDA. Front digit health. 2021;3:686720. [DOI:10.3389/fdgth.2021.686720] [PMID] [PMCID]
27. Hossain MM. Current status of global research on novel coronavirus disease (Covid-19): A bibliometric analysis and knowledge mapping. F1000Research. 2020(9):374. [DOI:10.12688/f1000research.23690.1]
28. Mullard A. COVID-19 vaccine development pipeline gears up. Lancet. 2020;395(10239):1751-2. [DOI:10.1016/S0140-6736(20)31252-6] [PMID]
29. Farahati M. Psychological impacts of the spread of coronavirus in society. Soc impact assess. 2020(2):207-5.
30. Haleem A, Javaid M, Vaishya R, Deshmukh SG. Areas of academic research with the impact of COVID-19. Am J Emerg Med. 2020;38(7):1524-6. [DOI:10.1016/j.ajem.2020.04.022] [PMID] [PMCID]

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.