داده کاوی جهانی: مطالعه تجربی از روند فعلی پیش بینی آینده و انتشار فناوری Global data mining: An empirical study of current trends, future forecasts and technology diffusions

مقدمه

داده کاوی زمینه بین رشته ای است که ترکیبی مصنوعی از هوش، مدیریت پایگاه داده، تجسم داده ها، دستگاه یادگیری، الگوریتم های ریاضی و آمار را به وجود آورده است. داده کاوی نیز به عنوان کشف پایگاه داده ها شناخته شده است. دچن، هان ویو 1996 ، پیاتتکسی و اسمیت 1996 که به سرعت در حال ظهور می باشند. این فناوریها روش های مختلفی را برای تصمیم گیری حل مسئاله، تجزیه و تحلیل، برنامه ریزی، تشخیص، یکپارچه سازی، پیشگیری آموزش و نوآوری را به ارمغان می آورد که نیاز به تکنیک های جدید برای کمک به تجزیه و تحلیل، درک و حتی تجسم مقدار بسیار عظیمی از داده های ذخیره شده را در برنامه های علمی و کاربردی را جمع آوری می کند. کشف دانش این فرآیند جالب توجه است. که مانند الگوهایی برای انجمن ها، تغییرات، ناهنجاری و سازه های مهم که از مقادیر زیادی از داده های ذخیره شده در پایگاه داده ها، انبار داده ها و یا دیگر مخازن اطلاعاتی تشکیل شده است. این می تواند به شرکت جهت تصمیم گیری به خاطر ماندن در فضای رقابتی بازار کمک کند. توابع اصلی داده کاوی در تجارت توسعه یافته شامل خلاصه، انجمن، طبقه بندی، پیش بینی و خوشه است. این توابع می تواند با استفاده از انواع فناوریها مانند پیاده سازی پایگاه داده، یادگیری و روش های آماری اجرا شود. (پیا تتسکی و اسمیت 1996 ) استخراج اطلاعات از پایگاه داده به عناون یک فرایند است که با استفاده از آمار، ریاضی، تکنیک های هوشی مصنوعی و روشهای دیگر و شناسایی اطلاعات مفید و پس از آن بدست آوردن دانش پایگاه های بزرگ تعریف می شود. در تلاش برای توسعه بینش های جدید با کارایی عمل مناسب داده کاوی به منظور بررسی برنامه های بهبود، اولویت استراتژیک عوامل محیطی، ابعاد عملکرد تولید و اثر متقابل آنها مورد استفاده قرار گرفت (حاجی زاده، حسینی، بارفروش و همکاران 2010 (اسمیت و برسون 2000 ) (لوژن 2001 )(احمد2004 )(لینوف و بری 2004 ) همچنین  داده کاوی به عنوان فرآیند استخراج اطلاعات تعریف شده و یا تشخیص الگوهای پنهان و یا اطلاعات از پایگاه داده های بزرگ و امکان پذیر می کند. با مقدار زیادی از داده ها، فناوریهای داده کاوی می تواند با بحث به وجود آمدن هوش کسب و کار و در نهایت ایجاد فرصت های جدید می شود. به تازگی تعدادی از برنامه های کاربردی داده کاوی و نمونه های اولیه برای انواع دامنه های توسعه یافته است (بارچمن و خابازا، کلسژن پیاتتکسی، شاپیر و سیموریس 1996 ) که از جمله بازاریابی، بانکداری و امورمالی، تولید و مراقبت های بهداشتی است. علاوه براین داده کاوی نیز به عنوان دیگر داده ها مانند اعمال سری های زمانی، ارتباط است.

از راه دور، وب، و داده های رسانه ای تقسیم می شود. فرایند داده کاوی و تکنیک های داده کاوی به کار گرفته شده بستگی بسیاری در دامنه برنامه و ماهیت داده های در دسترس را دارد. با استفاده از روش کتاب سنجی تجزیه و تحلیل روند فناوری در این مقاله و پیش بینی های داده کاوی در موضوعی مشخص در پایگاه داده SSCI انجام گرفت. این مقاله، مقالات نظرسنجی ها و طبقه بندی داده کاوی را با استفاده از زیر دسته ها، سال نشر، استناد، نوع سند، کشور، نام زبان، عنوان منبع و موضوع موسسه برای وضعیت های مختلف به منظور بررسی تفاوت و جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

2- موارد و روش های تحقیق:

2-1 مواد تحقیق:

وینگارت در سال 2003 – 2004 با اشاره به نقش نفوذ انحصار موسسه علمی اطلاعات ISI  اشاره کرد که در حال حاضر موسسه علمی تامسون که یک عنوان تجاری است به سرعت در حال افزایش استفاده از تجزیه و تحلیل کتاب سنجی غیرتخصصی مانند رتبه بندی پرداخته است. موارد مورد استفاده در این مطالعه از پایگاه داده علومی اجتماعی در موسسه علمی SSCI که توسط اشتراک گذاری ISI  ، وب سایت علوم، به دست آمده است. در این مطالعه مقالات دوره 1989 تا 2009 را به دلیل اینکه هیچ داده ای از قبل از آن سال منتشر نشده استو امور بررسی قرار دادیم. علوم اجتماعی نمایه استنادی شاخص چند رشته ای در یک مقاله علوم اجتماعی است. این شاخص به طور کامل بیش از 1950 مجله در 50 رشته علوم اجتماعی را دارد. همچنین این شاخص به صورت جداگانه ای بیش از 300 آیتم را در مجلات فنی پیشرو را انتخاب نموده است.

2-2 روش تحقیق:

بریچارد در سال 1969 کتاب سنجی با عنوان برنامه های ریاضی در روشهای آماری را در رسانه های ارتباطی را بررسی کرده است. برو دسنی کتاب سنجی را به عنوان مطالعه کمی فیزیکی و یا واحد کتاب شناختی و یا عناصر عملیاتی برای هردو را تعریف نموده است. تکنیک های کتاب سنجی در درجه اول توسط دانشمندان در راستای تکمیل مطالعات و نوزیع مقالات علمی شان به کار گرفته شد محققان ممکن است ارزیابی روشهای کتاب سنجی را برای تعیین تاثیر یک تویسنده یا برای توصیف ارتباط بین دویا چند نویسنده را ارائه نموده است. علاوه براین طراحی درست آن می تواند به عنوان یک ابزار قدرتمند پشتیبانی همکاری نویسندگان باشد. همچنین برای زمینه های تحقیقاتی میان رشته ای این روش قطعا امکان پذیر است. یکی از روش های معمول در انجام پژوهش کتاب سنجی این است که به استفاده از شاخص های علوم اجتماعی (ICI) ، نمایه استنادی علوم (SCI) و یا هنر و یا نمایه استنادی علوم انسانی (HCI) برای ردیابی مدارک استفاده کنیم. برخی از پژوهش ها با استفاده از روش کتاب سنجی به تجزیه و تحلیل روند و پیش بینی ها مانند تجارت الکترونیکی، عرضه مدیریت زنجیره، داده کاوی CRM و مدیریت انرژی پرداخته است ( چن و لی 2010 ، تی سای 2011 ، چانگ 2011 ، چی 2011 ).

2-2-1 قانونی لوتکا:

قانون لوتکا رای می توان به توصیف فراوانی انتشار توسط نویسندگان در یک میدان مشخص تعریف کرد که این بیان می کند که تعداد نویسندگان n و مقدار مشارکت در تولید یک مقاله (1/n² ) است و نسبت همه مشارکت کنندگان در حدود 60% در قانون لوتکا است قانون لوتکا توسط فرمول زیر بیان می شود. xⁿy=C است که در آن y تعداد نویسندگان و x تعداد نشریات است و توان  n برابر با مقدار 0/6079 بوده و C یک عدد ثابت است که مقدار آن 2 می باشد. این بدان معنی است که تمام نویسندگان در یک رشته حدود 60% نشریه دارند. که در مورد 15% دو نشریه و حدود 7% برای هرنویسنده 3 نشریه وجود دارد.

قانون لوتکا زمانی که یک مقاله در مدت زمان طولانی ارائه می شود. می تواند به طور دقیق جواب دهد اما از لحاظ آماری دقیق نیست این است که اغلب برای تخمین فراوانی در آن با عناوین نویسندگان استفاده می شود. (پاتر  (1988 قانون لوتکا به طور کلی برای فهم بهره وری الگوی نویسندگان در کتاب شناسی استفاده می شود. (کویلی 1977 ، گوتبا 1987 ، نیکولز 1989 ، پی آی 1985 ، رائو 1980 ، والاسی 1978 ) در این مقاله قانون لوتکا برای انجام تجزیه و تحلیل کتاب سنجی به بررسی تعدادی از نشریات در مقابل نویسندگان بین سال  1989 تا 2009 به انجام بازرسی بهره و در نویسنده برای جمع آوری نتایج در این تحقیق انتخاب شده است به منظور بررسی تجزیه و تحلیل، این مقاله با پیاده سازی آزمون K-S ارزیابی قانون لوتکا را انجام داده است.

2-2-2 زیر ساخت های تحقیقات :

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

1-جمع آوری داده ها

2-فهرست نویسنده و جدول توزیع مقاله

3-محاسبه مقدار n (شیب)

با توجه به قانون لوتکا فرمول عمومی XⁿY=C وجود دارد که ارزش پیشنهادی برای n،2 است. روش استفاده از فرمول در زیر آمده است.

معادله

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

که در آن n تعداد جفت های اطلاعاتی،X لگاریتم نشریات و Y لگاریتم نویسندگان است. روش حداقل مربعات به منظور برآورد بهترین ارزش برای شیب خط رگرسیون است.(پی آی 1985). شیب خط معمولا بدون داده های محاسبه شده مقدار بالایی دارد. از آنجا که مقادیر شیب با تعداد مختلف نقاط برابر همان مجموعه از داده ها است. محاسبات از بین چند مجموعه انجام شده است. متوسط یا میانگین تعداد نمونه ها می تواند به عنوان بهترین شیب برای شناسایی توزیع است.(پی آی 1985). مقادیر مختلف n با مقادیر ثابت C محاسبه شده است.

4محاسبه مقدار C

با توجه به قانون لوتکا فرمول عمومی ارائه شده مقدار عددی 0.6079 را برای با در نظر گرفته است. پارامتر C توسط فرمول زیر محاسبه می شود.(پی آی 1985).

فرمول 2 مقدار Pدر این 20 و مقدار n با توجه به معادله 3 محاسبه می شود و X تعداد نشریات است.

5 با استفاده از K-S ارزیابی اینکه آیا تجزیه و تحلیل براساس قانون لوتکا است انجام می شود. که آزمون K-S نشان می دهد که توزیع بهره وری نویسنده متفاوت از توزیع نظری نیست. فرضیه مربوط به یک مقایسه مشاهده شده و مقدار نظری مورد انتظار لست. آزمون اجازه می دهد تا ارتباط احتمالی اینکه حداکثر انحراف مشخص شود را تعیین کنیم. حداکثر انحراف بین نسبت فراوانی مشاهده شده و مقدر نظری آن توسط فرمول زیر محاسبه می شود.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

که در آن X فراوانی تجمعی نظری است و این آزمون در سطح 0.01  اهمیت انجام شده است. وقتی که حجم نمونه بالاتر از 35 است. مقدار بحرانی توسط معادله زیر محاسبه می شود.

معادله 4

که در آن Σ_y  نشان دهنده مجموع مقالات چاپ شده تحت مطالعه است. اگر با حداکثر انحراف مواجه باشیم. فرضیه مطابق با قانون لوتکا بوده و می تواند قابل قبول باشد. اما اگر آن را بیش از ارزش بحرانی صفر فرض کنیم. باید در یک سطح معین از اهمیت بوده و نتیجه گرفت کهتوزیع مشاهده شده به طور قابل توجهی متفاوت با توزیع های نظری است.

تجزیهو تحلیل نقشه راه برای تحقیقات آینده اطلاعات روند فناوری و تسهیل انباشت دانش را فراهم می کند. به طوری که هسته مطالعاتی خود متمرکز کنند. این بدان معنی است که پدیده موفقیت شایعتر از نشریات با کیفیت بالاتر هستند.

3-نتایج:

3-1:توزیع های سال نشر:

همانطور که در شکل 1 نشان می دهد،تولید مقاله در داده کاوی انجام شده از سال 1996 افزایش یافته است. توزیع  مقاله را می توان به سه دسته برای نشان دادن روند توسعه تقسیم کرد.1998-1989 و 2003-1999 و 2009-2004 . از سال 1989 تا سال 1998 داده کاوی توجه بسیاری از محققان را به خود جلب نکرده است. پس از سال 1998 بهره وری انتشار به طور پیوسته در هر سال افزایش یافته و با رشد سریع در سال های 1999 و 2003 همراه بوده است و رشد بسیار سریع آن در سال 2009 به اوج خود رسیده است.

3-2: توزیع های استنادی:

در شکل 1 ما می توانیم ببینیم که توزیع  استناد به آسانی بین سالهای 1989 و 1999 به رسمیت شناخته نمی شود. به دنبال آن با یک رشد چشمگیر و به سرعت به اوج خود در سال 2009 می رسد. نتیجه نشان می دهد که داده کاوی در آینده نیز حفظ خواهد شد.

3-3 توزیع های کشور- قلمرو:

جدول 1 ایالات متحده را با 551 و 46/66 در بالاترین مقدار نشان می دهد و بعد از آن انگلستان با مقدار 108 و 9/14% ) می باشد. تایوان در رتبه سوم با 104 عدد (8/81%) است و پشت سرآن ها استرالیا، کانادا، جمهوری خلق چین و آلمان به عنوان ارائه دهندگان بزرگ مقالات علمی در این زمینه می باشند. می توان توزیع مقاله را از 25 کشور اول در جدول را جهت داده کاوی انتخاب نمود. ایالات متحده بیشترین تعداد و بعد از تایوان در رتبه سوم بوده که از سال 2000 شروع شده و افزایش یافته و تا 2008 ادامه داشته و پتانسیل آن برای افزایش تولید در آینده وجود داردبا توجه به ارتباط بین تولید و استناد مقاله فقط 10 مقاله در کشور فنلاند در داده کاوی بود که به آن استناد شده بود. با این حال 474 بار تکرار شده است. تولید مقاله دیگران براساس رتبه بندی می توان دنبال کرد.

3-4:توزیع نام موسسه:

در جدول 1 نویژ،دانشگاه ایالتی پنسیلوانیا و دانشگاه ویسکازین همه وابستگی نویسنده وابستگی نویسنده را در پژوهش داده کاوی با 17 فقره سابقه،1.44% نشان می دهد.  پس از تجزیه و تحلیل این وابستگی ایالات متحده  سازنده ترین کشور در جهان در رابطه با تحقیقات داده کاوی است.

جدول1 :25 کشور برتر در سال 2009-1989

رتبه	نام کشور	NP	درصد از 1181	نقل قول	نام موسسه	NP	درصد از 1181	نقل قول	کشور
1	آمریکا	551	46.66	4781	نیوس	17	1.44	76	ایالات متحده
2	انگلستان	108	9.14	997	دانشگاه پنسیلوانیا	17	1.44	202	ایالات متحده
3	تایوان	104	8.81	436	دانشگاه ویسکانزین	17	1.44	12	ایالات متحده
4	کانادا	67	5.67	547	دانشگاه ایلینوز	13	1.10	125	ایالات متحده
5	چین	54	4.57	187	دانشگاه کلمبیا	12	1.02	65	ایالات متحده
6	استرالیا	47	3.98	350	دانشگاه مرکزی ملی	12	1.02	41	تایوان
7	آلمان	32	2.71	177	دانشگاه پنسلیوانیا	12	1.02	76	ایالات متحده
8	کره جنوبی	32	2.71	232	دانشگاه ملی چایرتونگ	11	0.93	22	تایوان
9	اسپانیا	27	2.29	79	دانشگاه بوردوئه	11	0.93	91	ایالات متحده
10	هلند	21	1.78	135	دانشگاه موناش	10	0.85	85	استرالیا
11	بلژیک	20	1.69	96	دانشگاه تگزاس	10	0.85	100	ایالات متحده
12	فرانسه	20	1.69	105	دانشگاه دوک	9	0.76	60	ایالات متحده
13	ژاپن	18	1.52	49	دانشگاه تامکانگ	9	0.76	87	تایوان
14	ایتالیا	17	1.44	78	دانشگاه کارولینای جنوبی	9	0.76	113	ایالات متحده
15	برزیل	13	1.10	33	دانشگاه اونتاریای غرب	9	0.76	119	کانادا
16	اسکاتلند	13	1.10	45	دانشگاه یاله	9	0.76	717	ایالات متحده
17	آفریقای جنوبی	13	1.10	69	دانشگاه ویرجینیا	9	0.76	25	ایالات متحده
18	سوئد	12	1.02	11	دانشگها هنگ کنگ	8	0.68	15	جمهوری خلق چین
19	ترکیه	12	1.02	53	دانشگاه هاروارد	8	0.68	55	ایالات متحده
20	هندوستان	11	0.93	30	دانشگاه تکنولوژی نل یانگ	8	0.68	90	سنگاپور
21	اسلوونی	11	0.93	4	دانشگاه سان یت سن	8	0.68	29	تایوان
22	اتریش	10	0.85	30	دانشگاه ONR	8	0.68	90	ایالات متحده
23	فنلاند	10	0.85	474	داشنگاه سیراکوز	8	0.68	58	ایالات متحده
24	سنگاپور	10	0.85	105	دانشگاه آریزونا	8		62	ایالات متحده
25	ولز	10	0.85	117	دانشگاه هنگ کنگ	8		26	جمهوری خلق چین

 

 با توجه به ارتباط بین تولید و استناد مقاله تنها 9 مقاله از دانشگاه یاله در داده کاوی وجود دارد. اما از آن زمان  بیشترین میزان استناد در حدود 717 بار در جدول 1 آمده است.

3-5:توزیع توسط نوع سند:

در جدول 2 توزیع انواع سند از سال 1989 تا سال 2009 نشان می دهد که محبوب ترین نوع سندانتشار یافته از 936 مقاله بوده است. نتایج نشان می دهد که گرایش عمده از نوع سند داده کاوی ست.

3-6:توزیع شده توسط زبان:

در جدول 2 زبان اکثر داده کاوی ها انگلیسی است که در 1149 مقاله (97.29%) واضح است که زبان انگلیسی هنوز هم روند اصلی در پژوهش داده کاوی را تعیین می کند.

3-7توزیع های موضوع:

جدول 3 اطلاعات مهمی برای گرایش های تحقیقات آینده در داده کاوی ارائه می دهد. و اجازه می دهد محققان به درک بهتر از توزیع 25گروه برتر در تحقیقات آینده دست پیدا کنند.سه گروه برای تحقیق داده8 کاوی اطالعات و علوم کتابخانه ای (260 مقاله ،22.01%)،علوم کامپیوتر و سیستم اطلاعات(251 مقاله،21.25%) و تحقیق در عملیات و مدیریت(168 مقاله،14.23%). علاوه براین تجزیه و تحلیل این مقالات نشان می دهد که دیگر رشته های مهم پژوهش برای تولید مقاله کاوی مانند مدیریت علوم کامپیوتر،علوم بین رشته ای،محیط زیست،بهداشت محیط،مهندسی،برق و الکترونیک می باشد. همانطور که در جدول 2 نشان داده می شود ، استناد داده کاوی به دنبال تولید مقاله در رتبه بندی 25گروه بالا وجود دارد که به جز آمار واحتمال 57.48% استناد به طور متوسط در هر مقاله اختصاص پیدا می کند. که در علوم اجتماعی و ریاضی 32.09%استناد به طور متوسط در هر مقاله،اقتصاد12.26%استناد به طور متوسط در هر مقاله،علوم کامپیوتر و هوش مصنوعی 10.79%استناد به طور متوسط در هر مقاله،مهندسی برق و الکترونیک 9.05% استناد به طور متوسط در هر مقاله،علوم کامپیوتر و سیستم های اطلاعاتی 7.73% استناد به طور متوسط در هر مقاله.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.

شکل 1: انتشار و وضعیت استناد در هر سال. منبع: پایگاه دادهSSCI

جدول 2 :توزیع نوع و زبان سند2009-1989

نوع سند	NP	درصد از 1181	زبان	NP	درصد از 1181
مقاله	936	79.25	انگلیسی	1149	97.29
مجموعه مقالات	106	8.98	اسپانیایی	12	11.02
مرور کتاب	50	4.23	آلمانی	5	0.42
مرور	41	3.472	اسلونی	4	0.34
چکیده	23	1.95	ژاپن	3	0.25
نویسندگان	19	1.61	چک	2	0.17
آیتم جدید	2	0.17	فرانسه	2	0.17
اصلاحات	1	0.08	پرتغال	2	0.17
نت	1	0.08	روسیه	1	0.08
چاپ دوباره	1	0.08	اسلونی	1	0.08
مرور نرم افزاری	1	0.08	مجموع	1181	100
مجموع	1181	100

 

3-8: توزیع عنوان منبع:

جدول 3 اطلاعات برجسته ای را رد رابطه با روند داده کاوی بدست می دهد که اجازه می دهد محققان با یک رویکرد نزدیک از 25 گروه بالا در منابع تحقیقاتی در آینده استفاده شود. سه پزوئهش از داده ها توسط نرم افزار انجام شده است و در ان 69 مقاله 5.84% و به دنبال آن مجله پزشکی آمریکا 35 مقاله،2.96% و مجل انجمن عملیات تحقیقات 26 مقاله،2.2% است. علاوه براین مقدار قابل توجهی از تحقیقات وجود دارد که برای تولید داده کاوی  مانند مجله جامع آمریکا برای اطلاعات و فناوری،پردازش اطلاعات و مدیریت،مجله بین المللی اطالعات علوم جغرافیایی،علوم اطلاعات،اطلاعات انلاین و سیستم های پشتیبانی تصمیم گیری.

در جدول 3 استناد داده کاوی به دنبال رتبه بندی تولید مقاله در 25منبع بالا به جز سیستم های پشتیبانی تصمیم انجام شده است که در ان مدیریت اطلاعات 14.75% استناد به طور متوسط در هر مقاله،مجله علوم اطلاعات آمریگا 12.45% استناد به طور متوسط در هر مقاله،مجله جغرافیایی علوم اطلاعات 9.7% استناد به طور متوسط در هر مقاله و علوم دیگر9% استناد به طور متوسط در هر مقاله.

جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.