امکان‌سنجی استفاده از شبکه استنادی فهرست منابع موجود در پیشنهاده پژوهشِ (پروپوزالِ) دانشجویان تحصیلات تکمیلی برای پیشنهاد مقاله‌های مرتبط به آنها

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشدعلم اطلاعات و دانش شناسی/ دانشگاه شیراز، ایران

2 استادیارگروه علم اطلاعات و دانش شناسی/دانشگاه شیراز، ایران

3 استادیارگروه علم اطلاعات و دانش شناسی/ دانشگاه شیراز، ایران

چکیده

هدف: هدف اصلی این پژوهش امکان­سنجی استفاده از شبکه استنادی فهرست منابع موجود در پیشنهاده پژوهش دانشجویان تحصیلات تکمیلی برای پیشنهاد مقاله­ های مرتبط به آنهاست.
روش‌شناسی: این پژوهش از نظر هدف کاربردی و از حیث روش‌شناختی، پژوهشی شبه ­آزمایشی است. تعداد 60 دانشجوی کارشناسی ارشد و دکتری از حوزه علوم انسانی در رشته‌های تحصیلی گوناگون دانشگاه شیراز، به‌صورت هدفمند و داوطلبانه  به‌ کار گرفته شدند. در پژوهش حاضر پایگاه اطلاعاتی «وب آو ساینس» و نرم‌افزار VOSviewer به ترتیب برای گردآوری و تحلیل داده­های پژوهش مورد استفاده قرار گرفتند.
یافته ­ها: یافته ­ها نشان داد فراوانی تعداد مقاله‌های تا حدی مرتبط قضاوت شده با اختلافی مثبت بیشترین فراوانی را بین سه طبقه (مرتبط، تا حدی مرتبط، نامرتبط) دارد. کاربران مقاله­ های مرتبط پیشنهادی از طریق شبکه استنادی منابع پیشنهاده پژوهش را اثربخش دانستند؛ همچنین، دانشجویان دکتری بیش از دانشجویان ارشد مقاله ­های پیشنهاد شده از طریق شبکه استنادی منابع پیشنهاده پژوهش را اثربخش دانستند؛ به‌عبارتی، دانشجویان دکتری مقالات پیشنهاد شده را مرتبط­تر تشخیص دادند. همچنین دانشجویان با سطوح متفاوت دانش زبان انگلیسی به یک میزان مقاله ­های پیشنهادی بر اساس شبکه استنادی را مرتبط تشخیص دادند. اطلاعات استنادی پیشنهاده پژوهش می­تواند برای یافتن منابع مرتبط و در نتیجه، غنی­تر ساختن پژوهش­ها به کار گرفته شود و سامانه­ های پیشنهاددهنده مدارک علمی می­توانند از شبکه استنادی منابع مورد استفاده در پیشنهاده پژوهش ­ها، برای پیشنهاد مدارک مرتبط به کاربران استفاده کنند.

کلیدواژه‌ها


 گزانی، سحر (1392). به‌کارگیری روش­های ترکیبی در سیستم­های پیشنهاددهنده برای مقابله با مشکل شروع سرد (مورد مطالعه: سایت پارسی بلاگ). پایان‌نامه کارشناسی ارشد. وزارت علوم، تحقیقات و فناوری‌ـ‌دانشگاه قم‌ـ‌‌دانشکده فنی و مهندسی. بازیابی شده در 12 شهریور 1400 از
مرادی­منش، زهرا؛ درزی، محمد و اصغری، حبیب اله (1388). بررسی و تحلیل فاکتورهای اساسی در طراحی سیستم­های توصیه­گر. دومین کنفرانس بین­المللی شهر الکترونیک. بازیابی شده در
 https://civilica.com/doc/71948.
Agarwal, N., Haque, E., Liu, H., & Parsons, L. (2005). Research paper recommender systems: A subspace clustering approach. In International Conference on Web-Age Information Management, 475-491. https://doi.org/10.1007/11563952_42.
Bai, X., Wang, M., Lee, I., Yang, Z., Kong, X., & Xia, F. (2019). Scientific paper recommendation: A survey. IEEE Access, 7, 9324-9339.  doi: 10.1109/ACCESS.2018.2890388.
Beel, J., Aizawa, A., Breitinger, C., & Gipp, B. (2017). Mr. DLib: recommendations-as-a-service (RaaS) for academia. In 2017 ACM/IEEE Joint Conference on Digital Libraries, 1-2. doi: 10.1109/JCDL.2017.7991606.
Hanyurwimfura, D., Bo, L., Havyarimana, V., Njagi, D., & Kagorora, F. (2015). An Effective Academic Research Papers Recommendation for Non-profiled Users. International Journal of Hybrid Information Technology, 8(3), 255-272.‏ DOI: 10.14257/ijhit.2015.8.3.23
Meng, F., Gao, D., Li, W., Sun, X., & Hou, Y. (2013). A unified graph model for personalized query-oriented reference paper recommendation. In Proceedings of the 22nd ACM international conference on Information & Knowledge Management, 1509-1512. https://doi.org/10.1145/2505515.2507831.
Ollagnier, A., Fournier, S., & Bellot, P. (2018). BIBLME RecSys: Harnessing bibliometric measures for a scholarly paper recommender system. In BIR 2018 workshop on bibliometric-enhanced information retrieval. Retrieved in: https://hal.archives-ouvertes.fr/hal-01770588.
Rollins, J., McCusker, M., Carlson, J., & Stroll, J. (2017). Manuscript Matcher: A Content and Bibliometrics-based Scholarly Journal Recommendation System. In BIR@ ECIR, 18-29.‏Retrived in: https://www.semanticscholar.org/paper/Manuscript-Matcher%3A-A-Content-and-Scholarly-Journal-Rollins- McCusker/ae77408944882af61196021e562ce1cdcee9b4ef.
‏Xia, F., Liu, H., Lee, I., & Cao, L. (2016). Scientific article recommendation: Exploiting common author relations and historical preferences. IEEE Transactions on Big Data, 2(2), 101-112.‏ doi: 10.1109/TBDATA.2016.2555318.
CAPTCHA Image