این مقاله را با دوستانت به اشتراک بزار:
منتور پژوهش و نویسندگی علمی
1405/05/29
موضوعات داغ پژوهشی (Research Trends) و ابزارشناسایی آن
پاسخ این پرسش‌ها را نمی‌توان تنها با جستجوی معمولی در Google Scholar یا مطالعه چند مقاله به دست آورد. برای این کار باید بتوان حجم زیادی از داده‌های علمی را تحلیل کرد و الگوهای پنهان میان آن‌ها را دید.
اگر هنوز در مرحله انتخاب موضوع هستید، پیشنهاد می‌کنیم ابتدا مقاله «انتخاب موضوع پژوهش» را مطالعه کنید. آن مقاله اصول انتخاب یک موضوع مناسب را آموزش می‌دهد و این مقاله نشان می‌دهد چگونه با تحلیل داده‌های علمی، آن اصول را در عمل اجرا کنید.
این قابلیت نشان می‌دهد کدام کلیدواژه‌ها بیشتر در کنار یکدیگر استفاده شده‌اند و چه خوشه‌هایی از موضوعات علمی را تشکیل داده‌اند.
این تحلیل به شما کمک می‌کند ساختار مفهومی یک حوزه را بهتر درک کنید.
با استفاده از نمای Overlay Visualization می‌توانید مشاهده کنید که کدام کلیدواژه‌ها در سال‌های اخیر بیشتر مورد توجه قرار گرفته‌اند.
این ویژگی یکی از مهم‌ترین ابزارها برای یافتن موضوعات نوظهور است.
VOSviewer می‌تواند شبکه همکاری میان پژوهشگران، دانشگاه‌ها و کشورها را نمایش دهد.
اگر قصد همکاری علمی یا نگارش مرور سیستماتیک دارید، این قابلیت بسیار ارزشمند خواهد بود.
این قابلیت نشان می‌دهد کدام مقالات یا نویسندگان بیشترین تأثیر را در یک حوزه داشته‌اند.
با مطالعه این آثار، می‌توانید پایه نظری پژوهش خود را بر منابع معتبر استوار کنید.
در دوره «VOSviewer بیاموز و مقاله بنویس»، به‌صورت عملی مقاله باکیفیت در حداکثر 2 ماه بنویسید. با یادگیری نرم‌افزار VOSviewer و دنبال کردن آموزش‌ها، در پایان دوره یک مقاله جذاب و آماده چاپ خواهید داشت. دسترسی آفلاین، گروه پرسش و پاسخ و تجربه بیش از 300 پژوهشگر دیگر، تضمین کیفیت دوره است.
از دانلود داده‌ها تا شناسایی کلیدواژه‌های نوظهور
VOSviewer برای تولید ایده پژوهشی به‌صورت خودکار طراحی نشده است. این نرم‌افزار الگوهای موجود در داده‌های علمی را آشکار می‌کند و تفسیر این الگوها بر عهده پژوهشگر است. بنابراین در این مقاله، نقشه را نقطه شروع تصمیم‌گیری می‌دانیم، نه پاسخ نهایی.
VOSviewer می‌تواند از منابع مختلف داده دریافت کند.
از جمله این منابع می‌توان به Scopus، Web of Science، PubMed، OpenAlex، Crossref و Europe PMC اشاره کرد. نسخه‌های جدید VOSviewer امکانات بیشتری برای کار با منابع داده و APIها ارائه کرده‌اند.
برای آموزشی که در این مقاله دنبال می‌کنیم، بهتر است ابتدا از Scopus یا Web of Science استفاده کنیم.
دلیل این انتخاب ساده است.
این پایگاه‌ها اطلاعات کتاب‌شناختی نسبتاً ساختاریافته‌ای درباره مقالات در اختیار پژوهشگر قرار می‌دهند.
برای مثال، می‌توانیم اطلاعاتی مانند:
عنوان مقاله
نام نویسندگان
سال انتشار
نام مجله
چکیده
کلیدواژه‌ها
اطلاعات استنادی
را در داده‌های خروجی داشته باشیم.
Scopus امکان خروجی گرفتن از اطلاعات کتاب‌شناختی و کلیدواژه‌های مقالات را فراهم می‌کند و VOSviewer نیز از فایل‌های Scopus برای ایجاد نقشه‌های کتاب‌سنجی پشتیبانی می‌کند.
یکی از مهم‌ترین اشتباهات این است که پژوهشگر بدون داشتن سؤال مشخص وارد Scopus شود و چندین هزار مقاله را دانلود کند.
این کار معمولاً نتیجه خوبی ندارد.
فرض کنید موضوع کلی شما:
Artificial Intelligence in Education
است.
این عبارت به‌تنهایی بسیار گسترده است.
هوش مصنوعی در آموزش می‌تواند شامل موضوعاتی مانند:
آموزش عالی
آموزش پزشکی
یادگیری زبان
یادگیری تطبیقی
ChatGPT
هوش مصنوعی مولد
ارزیابی دانشجویان
یادگیری شخصی‌سازی‌شده
آموزش آنلاین
باشد.
بنابراین قبل از جستجو باید محدوده موضوع را مشخص کنید.
موضوع اصلی + حوزه کاربرد + بازه زمانی
برای مثال:
Artificial Intelligence + Higher Education + 2020–2026
یا:
Generative AI + Medical Education + 2020–2026
این کار باعث می‌شود داده‌هایی که وارد VOSviewer می‌کنید، از ابتدا هدفمندتر باشند.
در Scopus می‌توانید جستجو را با ترکیب کلیدواژه‌ها و عملگرهای منطقی انجام دهید.
برای مثال، اگر به دنبال مطالعات مرتبط با هوش مصنوعی مولد در آموزش عالی هستیم، می‌توانیم از ساختاری مشابه زیر استفاده کنیم:
TITLE-ABS-KEY("generative artificial intelligence" OR "generative AI"OR ChatGPT)
AND
TITLE-ABS-KEY( "higher education" OR university OR "college education")هدف این جستجو این است که مقالاتی را پیدا کنیم که در عنوان، چکیده یا کلیدواژه‌های خود درباره هوش مصنوعی مولد و آموزش عالی صحبت کرده‌اند.
البته عبارت جستجو باید متناسب با رشته و سؤال پژوهش اصلاح شود.
پس از اجرای جستجو، هنوز زمان خروجی گرفتن نیست.
ابتدا باید نتایج را بررسی کنید.
چند سؤال مهم از خودتان بپرسید:
گاهی یک کلیدواژه در چند حوزه علمی استفاده می‌شود.
برای مثال، عبارت AI می‌تواند در پزشکی، علوم کامپیوتر، آموزش، مهندسی و اقتصاد ظاهر شود.
اگر نتایج بسیار پراکنده باشند، باید عبارت جستجو را دقیق‌تر کنید.
اگر چند صد هزار نتیجه دریافت کرده‌اید، احتمالاً جستجوی شما بیش از اندازه گسترده است.
در این شرایط می‌توانید:
بازه زمانی را محدود کنید.
حوزه موضوعی را مشخص کنید.
کلیدواژه‌های دقیق‌تری اضافه کنید.
نوع سند را محدود کنید.
فقط مقالات پژوهشی را بررسی کنید.
اگر فقط چند مقاله پیدا شده است، جستجو بیش از حد محدود شده است.
در این حالت باید مترادف‌های بیشتری اضافه کنید.
برای مثال:
"generative artificial intelligence"OR"generative AI"
OR ChatGPT OR
"large language model*"علامت * نیز در برخی پایگاه‌ها برای پوشش شکل‌های مختلف یک واژه استفاده می‌شود.
پس از انتخاب مجموعه مقالات، باید اطلاعات موردنیاز را خروجی بگیرید.
Scopus امکان خروجی گرفتن در قالب‌هایی مانند CSV، RIS، BibTeX و Plain Text را فراهم می‌کند. همچنین می‌توان اطلاعات کتاب‌شناختی، چکیده و کلیدواژه‌ها را در خروجی انتخاب کرد.
برای استفاده از VOSviewer، انتخاب فرمت مناسب اهمیت دارد.
در صفحه نتایج Scopus:
Select all → Export
سپس فرمتی را انتخاب کنید که VOSviewer از آن پشتیبانی می‌کند.
در صورت استفاده از فرمت‌های کتاب‌شناختی، اطلاعات موردنیاز برای تحلیل را نیز انتخاب کنید.
برای تحلیل کلیدواژه‌ها، وجود اطلاعات مربوط به Keywords بسیار مهم است.
اگر قصد دارید از عنوان و چکیده برای تحلیل اصطلاحات استفاده کنید، این اطلاعات نیز باید در داده خروجی وجود داشته باشند.
پس از آماده کردن داده‌ها، نوبت به اجرای VOSviewer می‌رسد.
نسخه فعلی VOSviewer در زمان نگارش این مقاله 1.6.21 است که در 19 آگوست ۲۰۲۶ منتشر شده است. نرم‌افزار به‌صورت رایگان برای استفاده در دسترس است و برای اجرای نسخه دسکتاپ به Java 8 یا بالاتر نیاز دارد.
پس از اجرای نرم‌افزار، صفحه اصلی VOSviewer را مشاهده خواهید کرد.
در این صفحه معمولاً چند گزینه اصلی در اختیار شما قرار می‌گیرد.
برای کاری که در این مقاله انجام می‌دهیم، باید سراغ گزینه:
Create a Map
بروید.
پس از انتخاب Create a Map، وارد مرحله‌ای می‌شوید که باید مشخص کنید نقشه خود را بر اساس چه نوع داده‌ای می‌سازید.
VOSviewer از ایجاد نقشه بر اساس داده‌های کتاب‌شناختی پشتیبانی می‌کند.
در این حالت می‌توان شبکه‌هایی مانند:
Co-authorship
Citation
Bibliographic Coupling
Co-citation
Keyword Co-occurrence
را ایجاد کرد.
برای هدف این مقاله، یعنی پیدا کردن موضوعات داغ، تمرکز ما روی:
Keyword Co-occurrence
خواهد بود.
فرض کنید در ۲۰۰۰ مقاله، دو کلیدواژه بارها در کنار یکدیگر ظاهر شده‌اند.
برای مثال:
ChatGPT
و
Higher Education
اگر این دو واژه بارها در مقالات یک مجموعه مشترک ظاهر شوند، میان آن‌ها یک رابطه هم‌رخدادی وجود دارد.
وقتی تعداد زیادی از این روابط را کنار هم قرار دهیم، شبکه‌ای از موضوعات شکل می‌گیرد.
این شبکه می‌تواند به ما نشان دهد که یک حوزه علمی از چه مفاهیمی تشکیل شده است.
در مرحله بعد باید فایل خروجی Scopus را به VOSviewer معرفی کنید.
گزینه مربوط به Scopus را انتخاب کنید.
سپس فایل خروجی را از محل ذخیره آن انتخاب نمایید.
اگر فایل به‌درستی ایجاد شده باشد، VOSviewer اطلاعات کتاب‌شناختی آن را می‌خواند.
در این مرحله عجله نکنید.
اگر نرم‌افزار فایل را قبول نکرد، ابتدا بررسی کنید که:
فایل کامل دانلود شده باشد.
فرمت فایل درست باشد.
خروجی از Scopus به‌درستی ایجاد شده باشد.
اطلاعات موردنیاز در خروجی وجود داشته باشد.
اکنون یکی از مهم‌ترین مراحل فرا می‌رسد.
VOSviewer از شما می‌خواهد مشخص کنید چه نوع رابطه‌ای را می‌خواهید تحلیل کنید.
برای هدف ما باید:
Co-occurrence
را انتخاب کنیم.
سپس در قسمت مربوط به نوع آیتم، باید مشخص کنیم که می‌خواهیم Keywords را تحلیل کنیم.
در این حالت، نرم‌افزار روابط میان کلیدواژه‌های موجود در مجموعه مقالات را بررسی می‌کند.
اکنون VOSviewer معمولاً از شما می‌خواهد مشخص کنید یک کلیدواژه حداقل چند بار باید در مجموعه مقالات ظاهر شده باشد تا وارد تحلیل شود.
برای مثال:
Minimum number of occurrences = 5
یعنی فقط کلیدواژه‌هایی که حداقل پنج بار در مجموعه داده ظاهر شده‌اند، وارد شبکه شوند.
اما آیا همیشه باید عدد 5 را انتخاب کنیم؟
خیر.
این عدد باید بر اساس اندازه مجموعه داده تعیین شود.
عدد 3 یا 4 می‌تواند مناسب باشد.
می‌توان حداقل تعداد وقوع را بالاتر برد.
عدد بسیار پایین باعث می‌شود نقشه بیش از اندازه شلوغ شود.
هدف شما نباید این باشد که همه کلیدواژه‌ها را روی نقشه ببینید. هدف این است که الگوی اصلی موضوعات را ببینید. بنابراین باید بین جزئیات و خوانایی تعادل برقرار کنید.
در برخی تحلیل‌ها ممکن است با گزینه‌هایی مانند:
Author Keywords
و
All Keywords
مواجه شوید.
Author Keywords معمولاً کلیدواژه‌هایی هستند که نویسندگان برای مقاله خود تعیین کرده‌اند.
All Keywords می‌تواند مجموعه گسترده‌تری از کلیدواژه‌های موجود در داده را شامل شود.
برای شروع تحلیل موضوعات پژوهشی، استفاده از Author Keywords می‌تواند انتخاب ساده و قابل تفسیرتری باشد.
اما انتخاب نهایی باید با هدف پژوهش و کیفیت داده‌ها هماهنگ شود.
پس از تعیین تنظیمات، VOSviewer شروع به ساخت شبکه می‌کند.
چند لحظه بعد با صفحه‌ای شبیه یک نقشه علمی مواجه خواهید شد.
در نگاه اول شاید این تصویر کمی گیج‌کننده باشد.
دایره‌ها، خطوط، رنگ‌ها و اندازه‌های متفاوتی مشاهده می‌کنید.
اما هر کدام از این عناصر معنا دارند.
برای تفسیر نقشه، باید حداقل چهار عنصر را بشناسید:
هر دایره یک آیتم است.
در تحلیل کلیدواژه‌ها، هر دایره معمولاً نماینده یک کلیدواژه است.
اندازه دایره می‌تواند بر اساس وزن یا تعداد رخدادهای یک آیتم تغییر کند.
بنابراین یک دایره بزرگ‌تر معمولاً نشان می‌دهد که آن آیتم در مجموعه داده اهمیت یا وزن بیشتری دارد.
خطوط میان آیتم‌ها نشان‌دهنده ارتباط آن‌ها هستند.
در تحلیل هم‌رخدادی، این ارتباط نشان می‌دهد که دو کلیدواژه در یک مجموعه مقالات با یکدیگر ظاهر شده‌اند.
رنگ‌ها معمولاً برای نمایش خوشه‌ها استفاده می‌شوند.
یک خوشه مجموعه‌ای از آیتم‌هایی است که ارتباط بیشتری با یکدیگر دارند.
بنابراین به‌جای اینکه نقشه را مجموعه‌ای از دایره‌های تصادفی ببینید، باید آن را به‌عنوان ساختار موضوعی یک حوزه پژوهشی تفسیر کنید.
Network Visualization اولین نمایی است که معمولاً باید بررسی کنید.
در این نما، ارتباط میان کلیدواژه‌ها به‌صورت شبکه نمایش داده می‌شود.
فرض کنید سه خوشه مشاهده کرده‌اید.
خوشه اول بیشتر شامل:
ChatGPT – Generative AI – Large Language Models
است.
خوشه دوم شامل:
Higher Education – Students – Learning
است.
خوشه سوم شامل:
Assessment – Academic Integrity – Plagiarism
است.
این نقشه به شما نشان می‌دهد که پژوهش درباره یک موضوع کلی، به چند زیرحوزه تقسیم شده است.
اما هنوز نمی‌توان گفت کدام موضوع «داغ‌تر» است.
برای این کار باید زمان را وارد تحلیل کنیم.
یکی از قدرتمندترین قابلیت‌های VOSviewer برای هدف این مقاله، Overlay Visualization است.
این نما می‌تواند اطلاعات مربوط به زمان یا یک امتیاز دیگر را روی نقشه نمایش دهد.
در تحلیل روندهای پژوهشی، رنگ‌ها می‌توانند به میانگین سال انتشار مرتبط باشند.
در نتیجه، می‌توانید متوجه شوید کدام کلیدواژه‌ها بیشتر در مطالعات قدیمی‌تر و کدام کلیدواژه‌ها در مطالعات جدیدتر دیده شده‌اند.
VOSviewer به‌صورت رسمی Overlay Visualization را یکی از قابلیت‌های اصلی خود برای نمایش تحولات زمانی معرفی می‌کند.
فرض کنید در نقشه خود سه کلیدواژه مشاهده می‌کنید:
Machine Learning
Deep Learning
Generative AI
اگر تحلیل شما نشان دهد که Generative AI میانگین سال انتشار جدیدتری دارد، این موضوع می‌تواند نشانه‌ای از یک روند پژوهشی جدیدتر باشد.
اما اینجا یک نکته بسیار مهم وجود دارد:
جدیدتر بودن یک موضوع به‌تنهایی به معنی بهتر بودن موضوع پژوهشی نیست.
ممکن است یک موضوع جدید باشد، اما:
منابع کافی نداشته باشد.
امکان اجرای پژوهش آن دشوار باشد.
پرسش پژوهشی مناسبی نداشته باشد.
در رشته شما کاربرد کمی داشته باشد.
پس Overlay فقط یک سرنخ پژوهشی ایجاد می‌کند.
نمای سوم، Density Visualization است.
در این نما به‌جای تمرکز اصلی بر روابط تک‌تک کلیدواژه‌ها، تراکم شبکه را مشاهده می‌کنید.
VOSviewer توضیح می‌دهد که Density Visualization می‌تواند نمایی سریع از نواحی اصلی یک شبکه کتاب‌سنجی ارائه کند.
به زبان ساده:
هرچه یک ناحیه تراکم بیشتری داشته باشد، آیتم‌های بیشتری با وزن و ارتباط قابل توجه در آن منطقه قرار گرفته‌اند.
زمانی که در حال کار با VOSviewer هستید، مدام این نکات رو در ذهنتان مرور کنید:
خیر.
این یکی از مهم‌ترین نکاتی است که باید در تفسیر VOSviewer به آن توجه کنید.
یک ناحیه پرتراکم ممکن است نشان‌دهنده موضوعی بسیار تثبیت‌شده باشد.
یعنی پژوهش‌های زیادی درباره آن انجام شده است.
اما موضوعی که هنوز تعداد مقالات کمتری دارد و در سال‌های اخیر رشد کرده است، ممکن است برای کشف یک روند نوظهور ارزش بیشتری داشته باشد.
بنابراین:
Density برای شناخت ساختار فعلی حوزه مناسب است.
Overlay برای بررسی تغییرات زمانی بسیار مفید است.
و Network برای فهم ارتباط میان موضوعات کاربرد دارد.
ترکیب این سه نماست که تحلیل شما را ارزشمند می‌کند.
فرض کنید می‌خواهیم موضوعات پژوهشی جدید در حوزه:
Generative AI in Higher Education
را پیدا کنیم.
پس از جستجو در Scopus و ساخت نقشه، چهار خوشه مشاهده می‌کنیم.
Generative AI
ChatGPT
Large Language Models
Higher Education
Students
Learning
Academic Integrity
Plagiarism
Assessment
AI Literacy
Digital Competence
Teacher Education
حالا Overlay Visualization را فعال می‌کنیم.
اگر مشاهده کنیم که:
AI Literacy
و
Teacher Education
در مطالعات جدیدتر بیشتر دیده شده‌اند، این دو مفهوم می‌توانند سرنخ‌های جالبی برای مرحله بعدی تحلیل باشند.
اما هنوز نباید فوراً موضوع مقاله را انتخاب کنیم.
در گام بعدی باید بررسی کنیم:
چند مقاله درباره این ارتباط وجود دارد؟
آخرین مطالعات چه نتایجی داشته‌اند؟
چه کشورهایی روی آن کار کرده‌اند؟
چه روش‌هایی استفاده شده است؟
چه محدودیت‌هایی در مطالعات قبلی گزارش شده است؟
آیا شکاف واقعی وجود دارد؟
این دقیقاً جایی است که تحلیل کتاب‌سنجی از تولید یک نقشه زیبا به یک ابزار واقعی برای تصمیم‌گیری پژوهشی تبدیل می‌شود.
یکی از مشکلات تحلیل VOSviewer این است که یک مفهوم ممکن است با چند عبارت متفاوت در مقالات نوشته شده باشد.
برای مثال:
Artificial Intelligence
AI
Artificial Intelligence Technology
ممکن است از نظر مفهومی بسیار نزدیک باشند.
اگر این موارد را بدون پاک‌سازی وارد تحلیل کنید، ممکن است نرم‌افزار آن‌ها را به‌عنوان آیتم‌های جداگانه نمایش دهد.
در نتیجه، اهمیت واقعی یک مفهوم در نقشه کمتر از مقدار واقعی آن به نظر برسد.
به همین دلیل، Data Cleaning یکی از مراحل مهم تحلیل است.
VOSviewer از فایل‌های Thesaurus برای اصلاح و یکسان‌سازی اصطلاحات پشتیبانی می‌کند. این قابلیت به پژوهشگر اجازه می‌دهد اصطلاحات مشابه را مدیریت کند و کیفیت نقشه را افزایش دهد.
فرض کنید این کلیدواژه‌ها در داده شما وجود داشته باشند:
AI
Artificial Intelligence
Artificial intelligence
AI technology
Artificial Intelligence Technologyاگر همه این موارد به یک مفهوم اشاره کنند، بهتر است قبل از تحلیل تصمیم بگیرید که آیا باید آن‌ها را یکسان‌سازی کنید یا خیر.
در غیر این صورت ممکن است:
Artificial Intelligence
به‌اشتباه کوچک‌تر از اندازه واقعی خود دیده شود.
اگر تازه با VOSviewer کار می‌کنید، احتمالاً اولین چیزی که توجه شما را جلب می‌کند، بزرگ‌ترین دایره‌ها هستند.
اما این کار می‌تواند شما را به یک نتیجه اشتباه برساند.
بزرگ‌ترین دایره معمولاً نشان‌دهنده موضوعی پرتکرار است.
اما پرتکرار بودن با نوآورانه بودن تفاوت دارد.
اگر موضوعی در هزاران مقاله بررسی شده باشد، ممکن است بسیار مهم باشد، اما احتمال پیدا کردن یک شکاف واقعی در آن بدون محدود کردن سؤال پژوهش کمتر باشد.
در مقابل، یک کلیدواژه کوچک‌تر که در سال‌های اخیر رشد کرده است، ممکن است نقطه شروع بهتری برای بررسی یک موضوع نوظهور باشد.
اگر واقعاً می‌خواهید از VOSviewer برای پیدا کردن موضوع پژوهشی استفاده کنید، فقط یک نقشه را بررسی نکنید.
سه نما را پشت سر هم تحلیل کنید.
ببینید ساختار موضوع چگونه است.
ببینید کدام بخش‌ها جدیدتر هستند.
ببینید کدام بخش‌ها متراکم و تثبیت‌شده‌اند.
سپس نتایج این سه تحلیل را با مقالات جدید مقایسه کنید.
این روش بسیار قدرتمندتر از آن است که فقط به یک رنگ یا یک دایره بزرگ توجه کنید.
این جمله را جدی بگیرید.
اگر در Overlay Visualization یک کلیدواژه جدید پیدا کردید، هنوز نباید عنوان مقاله را بنویسید.
VOSviewer به شما میگوید:
«این موضوع ارزش بررسی بیشتر دارد.»
اما نمی‌گوید:
«این دقیقاً همان موضوعی است که باید روی آن مقاله بنویسید.»
برای رسیدن به موضوع نهایی باید یک مرحله مهم دیگر انجام شود:
بررسی شکاف پژوهشی.
در بخش سوم، دقیقاً وارد همین مرحله می‌شویم.
VOSviewer جایگزین جستجوی علمی نیست.
بلکه مکمل آن است.
ابتدا باید یک مجموعه داده با کیفیت ایجاد کنید.
سپس آن مجموعه را تحلیل کنید.
بعد از شناسایی موضوعات مهم، دوباره به پایگاه‌های علمی برگردید و مقالات مربوط به آن موضوع را با دقت بیشتری بخوانید.
این چرخه را می‌توان چنین نمایش داد:
Search → Analyze → Discover → Verify → Refine
یعنی:
اصلاح موضوع → اعتبارسنجی → کشف → تحلیل → جستجو
اگر در مرحله جستجو مشکل دارید، یادگیری اصول جستجوی حرفه‌ای و هدفمند می‌تواند قبل از ورود به VOSviewer بسیار کمک‌کننده باشد؛ زیرا کیفیت نقشه شما مستقیماً به کیفیت داده‌های ورودی وابسته است.
هوش مصنوعی می‌تواند در مرحله تفسیر به شما کمک کند.
اما نباید داده‌های VOSviewer را بدون بررسی در اختیار یک مدل زبانی قرار دهید و از آن بخواهید «موضوع مقاله بدهد».
روش حرفه‌ای‌تر این است که ابتدا:
1. نقشه VOSviewer را بسازید.
2. خوشه‌های اصلی را شناسایی کنید.
3. کلیدواژه‌های جدیدتر را مشخص کنید.
4. مقالات مهم هر خوشه را استخراج کنید.
5. سپس اطلاعات واقعی را در اختیار ابزار هوش مصنوعی قرار دهید.
6. از هوش مصنوعی بخواهید روابط، تفاوت‌ها و پرسش‌های احتمالی را تحلیل کند.
7. در نهایت خودتان اعتبار علمی پیشنهادها را بررسی کنید.
برای این مرحله، مهارت پرامپت‌نویسی پژوهشی اهمیت زیادی پیدا می‌کند.
هوش مصنوعی نباید جایگزین قضاوت پژوهشگر شود.
بلکه باید سرعت تحلیل و مقایسه اطلاعات را افزایش دهد.
اگر قصد دارید از این ابزارها در مراحل مختلف پژوهش استفاده کنید، دوره هوش مصنوعی در پژوهش می‌تواند مکمل مناسبی برای کار با VOSviewer باشد.
پس از ساخت نقشه، بهتر است خروجی‌های خود را ذخیره کنید.
این کار چند مزیت دارد.
ممکن است بعداً بخواهید:
حداقل تعداد وقوع را تغییر دهید.
یک کلیدواژه را حذف کنید.
اصطلاحات را اصلاح کنید.
بازه زمانی دیگری را بررسی کنید.
نقشه جدیدی با داده‌های به‌روز بسازید.
VOSviewer امکان ذخیره و باز کردن نقشه‌ها و همچنین تولید تصاویر با وضوح بالا را فراهم می‌کند.
پس فقط از نقشه اسکرین‌شات نگیرید.
فایل پروژه و داده‌های اصلی را نیز نگه دارید.
این موضوع برای پژوهش‌های قابل بازتولید اهمیت زیادی دارد.
قبل از اینکه به بخش سوم بروید، مطمئن شوید مراحل زیر را انجام داده‌اید:
خود را مشخص کرده‌اید.
را تعیین کرده‌اید.
در Scopus یا Web of Science انجام داده‌اید.
را حذف کرده‌اید.
را Export کرده‌اید.
را وارد VOSviewer کرده‌اید.
را انتخاب کرده‌اید.
را متناسب با حجم داده تعیین کرده‌اید.
را بررسی کرده‌اید.
را شناسایی کرده‌اید.
را بررسی کرده‌اید.
را بررسی کرده‌اید.
بر اساس بزرگ‌ترین دایره خودداری کرده‌اید.
اما هنوز مهم‌ترین سؤال باقی مانده است:
چگونه از نقشه VOSviewer موضوع پژوهشی پیدا کنیم و مطالعه مروری مناسب آن را بیابیم؟
یکی از اشتباهات رایج این است که پژوهشگر بعد از ساخت نقشه، فقط به بزرگ‌ترین گره‌ها توجه می‌کند.
بزرگ بودن یک گره معمولاً نشان می‌دهد که آن کلیدواژه در داده‌های بررسی‌شده بیشتر تکرار شده است.
اما پرتکرارترین موضوع لزوماً بهترین موضوع برای پژوهش جدید نیست.
گاهی ارزشمندترین سرنخ در قسمت‌هایی از نقشه دیده می‌شود که ارتباط کمتری با هسته اصلی دارند.
برای مثال، فرض کنید در یک حوزه سه خوشه اصلی مشاهده می‌کنید:
خوشه اول: موضوعات کلاسیک و بسیار پرتکرار
خوشه دوم: موضوعات میان‌رشته‌ای
خوشه سوم: موضوعاتی که در سال‌های اخیر بیشتر ظاهر شده‌اند.
اگر هدف شما پیدا کردن یک موضوع جدید باشد، بررسی خوشه سوم و ارتباط آن با خوشه‌های دیگر می‌تواند اطلاعات بسیار بیشتری بدهد.
بنابراین هنگام تحلیل نقشه، سه سؤال از خودتان بپرسید:
چه موضوعاتی بیشترین حضور را دارند؟
چه موضوعاتی اخیراً در حال رشد هستند؟
چه ارتباطی بین موضوعات مختلف هنوز به‌اندازه کافی بررسی نشده است؟
این سه سؤال می‌توانند نقطه شروع مناسبی برای جستجوی شکاف پژوهشی باشند.
یکی از قابلیت‌های کاربردی VOSviewer، نمایش Overlay Visualization است.
در این نوع نمایش، رنگ آیتم‌ها می‌تواند بر اساس یک ویژگی مانند میانگین سال انتشار تغییر کند.
به این ترتیب می‌توان دید کدام کلیدواژه‌ها بیشتر با مطالعات قدیمی‌تر و کدام‌یک با مطالعات جدیدتر ارتباط دارند.
اما یک نکته بسیار مهم وجود دارد:
یک کلیدواژه جدیدتر، به‌تنهایی به معنی وجود شکاف پژوهشی نیست.
این فقط یک سرنخ است.
برای تبدیل این سرنخ به موضوع پژوهشی، باید دوباره به مقالات اصلی مراجعه کنید.
بررسی کنید:
این موضوع در چه جمعیتی بررسی شده است؟
در چه کشورها یا محیط‌هایی مطالعه شده است؟
چه متغیرهایی تاکنون بررسی شده‌اند؟
چه روش‌هایی استفاده شده‌اند؟
چه محدودیت‌هایی توسط پژوهشگران گزارش شده است؟
چه پیشنهادهایی برای مطالعات آینده ارائه شده است؟
در واقع VOSviewer می‌تواند محل جستجوی شکاف را به شما نشان دهد؛ اما تشخیص نهایی شکاف همچنان نیازمند مطالعه و قضاوت پژوهشگر است.
برای شروع می‌توانید از این الگوی ساده استفاده کنید:
کلیدواژه جدید یا در حال رشد + یک جمعیت/محیط متفاوت + یک متغیر کمتر بررسی‌شده = ایده اولیه پژوهش
برای مثال، فرض کنید تحلیل شما نشان می‌دهد یک فناوری جدید در سال‌های اخیر به‌سرعت وارد یک حوزه شده است.
به‌جای اینکه صرفاً موضوعی با عنوان همان فناوری انتخاب کنید، سؤال دقیق‌تری مطرح کنید:
این فناوری در چه جمعیتی کمتر بررسی شده است؟
یا:
چه متغیری در مطالعات قبلی کمتر مورد توجه قرار گرفته است؟
یا:
آیا رابطه دو خوشه پژوهشی که در نقشه از یکدیگر فاصله دارند، تاکنون بررسی شده است؟
اینجاست که تحلیل کتاب‌سنجی از یک تصویر زیبا به یک ابزار تصمیم‌گیری پژوهشی تبدیل می‌شود.
این نکته را جدی بگیرید.
اگر VOSviewer نشان دهد یک کلیدواژه در حال رشد است، نباید فوراً عنوان مقاله خود را بر اساس آن بنویسید.
ابتدا باید مقالات مرتبط را بررسی کنید.
سپس مشخص کنید که آیا واقعاً:
مسئله‌ای بدون پاسخ وجود دارد؛
جمعیتی کمتر مطالعه شده است؛
رابطه‌ای هنوز بررسی نشده است؛
روش متفاوتی می‌تواند به سؤال پاسخ دهد؛
یا نتایج مطالعات قبلی با یکدیگر تناقض دارند.
بعد از این مرحله می‌توان از میان چند ایده، موضوعی را انتخاب کرد که هم جدید باشد و هم قابلیت انجام داشته باشد.
ارزش واقعی آن زمانی مشخص می‌شود که بتوانید از داده‌ها به تحلیل وضعیت موجود، شناسایی روندها و طراحی مسیر پژوهش آینده برسید. پژوهش‌های منتشرشده نیز از تحلیل هم‌رخدادی کلیدواژه‌ها برای شناسایی حوزه‌ها و روندهای پژوهشی استفاده کرده‌اند.
این سه فایل آموزشی عبارتند از:
1. وبینار ضبط شده نقشه راه نگارش مقاله مروری در دو ماه
2. وبینار ضبط شده مرور سیستماتیک
3. کتابچه آشنایی با انواع مطالعات مروری
پس شما چند قدم جلوتر از بقیه هستید!
اکنون می‌توانید تنها با نرم‌افزار vosviewer بقیه مراحل نگارش مقاله مروری خودتان را پیش ببرید…
از طریق این ابزار کاربردی می‌توانید تقریبا صفر تا صد یک مقاله مروری از نوع تحلیلی بیبلیومتریک را انجام دهید:
تا اینجا فقط بخش کوچکی از مسیر را دیدید.
در یک مقاله بیبلیومتریک واقعی، انتخاب موضوع مناسب، طراحی استراتژی جستجو، تعیین پایگاه اطلاعاتی، استخراج داده، پاک‌سازی داده‌ها، انتخاب نوع تحلیل، ساخت نقشه، تفسیر خوشه‌ها و تبدیل یافته‌ها به یک مقاله علمی باید در یک مسیر منسجم انجام شود.
به همین دلیل، اگر هدفتان فقط دیدن یک نقشه رنگی در VOSviewer نیست و می‌خواهید واقعاً از VOSviewer برای انتخاب موضوع، کشف روندهای پژوهشی و نوشتن مقاله بیبلیومتریک استفاده کنید، یادگیری مرحله‌به‌مرحله نرم‌افزار اهمیت زیادی پیدا می‌کند.
در دوره آموزش VOSviewer؛ بیاموز و مقاله بنویس، مسیر کار از آشنایی با نرم‌افزار تا استفاده پژوهشی از تحلیل‌های آن به‌صورت عملی دنبال می‌شود.
اگر تصمیم دارید این مسیر را جدی‌تر دنبال کنید، می‌توانید این دوره را با کد تخفیف VOS30 با ۳۰٪ تخفیف تهیه کنید.
سه جلسه اول این دوره:
پس اصلا نگران نباشید!
می‌توانید صفر تا صد انجام یک مقاله مرورسیستماتیک و متاآنالیز را بهمراه تمام ابزارهای موردنیاز از ما یاد بگیرید.
دوره مرور سیستماتیک و متاآنالیز، شما را با روش‌های استاندارد جمع‌آوری، تحلیل و نتیجه‌گیری داده‌ها و مطالعات علمی آشنا می‌کند. در این دوره روش مطالعات مروری و خصوصا مرور سیستماتیک و متا آنالیز به صورت کامل آموزش داده شده است.
اگر تصمیم دارید این مسیر را جدی‌تر دنبال کنید، می‌توانید این دوره را با کد تخفیف sm30 با ۳۰٪ تخفیف تهیه کنید.
سه جلسه اول این دوره:
یادگیری تمام مطالعات مروری و ابزارهای آن! چنانچه به یادگیری تنها یک یا چند شیوه مطالعه مروری بسنده نمی‌کنید، این پکیج برای شماست. پکیج ریویوپلاس یک مجموعه آموزشی صفر تا صد برای افراد مبتدی و حرفه‌ای، آموزش پروژه‌محور و مرحله‌به‌مرحله، ترکیب روش‌های استاندارد پژوهش با ابزارهای هوش مصنوعی،آموزش صفر تا صد مرور سیستماتیک، آموزش عملی متاآنالیز با نرم‌افزار CMA-4، آموزش تحلیل بیبلیومتریک برای یافتن موضوعات داغ و شکاف‌های پژوهشی و آموزش نرم‌افزار بی‌نظیر VOSviewer است.
قیمت اصلی ۳,۹۹۰,۰۰۰ تومان بود.۳,۶۹۰,۰۰۰ تومانقیمت فعلی ۳,۶۹۰,۰۰۰ تومان است.
خیر، از نظر علمی استفاده از VOSviewer تنها راه انجام تحلیل بیبلیومتریک نیست.
نرم‌افزارهای دیگری مانند Bibliometrix/Biblioshiny، CiteSpace و Gephi نیز برای تحلیل و نمایش داده‌های علمی استفاده می‌شوند.
با این حال، VOSviewer یکی از ابزارهای شناخته‌شده برای ساخت و نمایش شبکه‌های کتاب‌سنجی است.
مزیت آن برای بسیاری از پژوهشگران، رابط نسبتاً ساده و تمرکز آن بر نمایش شبکه‌های علمی است.
اگر هدف شما فقط مشاهده یک نقشه آماده باشد، آشنایی مقدماتی کافی است.
اما اگر می‌خواهید موضوع انتخاب کنید، داده را آماده کنید، تحلیل مناسب انجام دهید، نقشه‌ها را تفسیر کنید و از نتایج یک مقاله بیبلیومتریک قابل انتشار بسازید، یادگیری اصولی نرم‌افزار اهمیت بیشتری پیدا می‌کند.
هیچ پاسخ یکسانی برای همه پژوهش‌ها وجود ندارد.
انتخاب پایگاه داده باید بر اساس موضوع پژوهش، هدف مطالعه، پوشش منابع و معیارهای مجله هدف انجام شود.
Scopus و Web of Science هر دو پایگاه‌های مهم اطلاعات علمی هستند.
تفاوت در پوشش مجلات، کنفرانس‌ها، حوزه‌های موضوعی و ساختار داده می‌تواند روی نتایج تحلیل اثر بگذارد.
بنابراین قبل از شروع جستجو مشخص کنید:
جامعه مورد بررسی شما چیست؟
چه بازه زمانی را بررسی می‌کنید؟
چه نوع مدارکی باید وارد تحلیل شوند؟
هدف شما بررسی ساختار یک حوزه است یا روندهای جدید آن؟
بعد از تعیین این موارد، انتخاب پایگاه داده منطقی‌تر خواهد بود.
خیر.
اندازه بزرگ‌تر یک آیتم معمولاً بیانگر تعداد بیشتر وقوع یا وزن بیشتر آن آیتم در تحلیل انتخاب‌شده است.
اما «پرتکرار بودن» با «جدید و دارای شکاف پژوهشی بودن» تفاوت دارد.
گاهی یک موضوع بسیار پرتکرار، سال‌هاست مورد مطالعه قرار گرفته است.
در مقابل، یک کلیدواژه کوچک‌تر ممکن است نشان‌دهنده یک حوزه نوظهور باشد.
به همین دلیل، برای انتخاب موضوع نباید فقط به اندازه گره‌ها نگاه کنید.
تعداد وقوع، ارتباطات، خوشه، روند زمانی و محتوای مقالات مرتبط را در کنار یکدیگر بررسی کنید.
VOSviewer می‌تواند سرنخ‌های بسیار خوبی برای پیدا کردن شکاف پژوهشی ارائه کند.
اما نمی‌تواند به‌تنهایی وجود یک شکاف را اثبات کند.
برای مثال، مشاهده یک کلیدواژه جدید در Overlay Visualization به این معنی نیست که هیچ پژوهشی درباره آن انجام نشده است.
ممکن است ده‌ها مقاله درباره آن موضوع منتشر شده باشد.
بنابراین بعد از پیدا کردن یک سرنخ در نقشه، باید مقالات مرتبط را بررسی کنید.
به‌خصوص بخش‌های Discussion، Limitations و Future Research می‌توانند اطلاعات مهمی در اختیار شما قرار دهند.
بهترین رویکرد این است:
VOSviewer برای پیدا کردن سرنخ → مطالعه مقالات برای بررسی شکاف → تحلیل پژوهشگر برای انتخاب موضوع نهایی
بله، اما باید نقش هوش مصنوعی را درست تعریف کنید.
هوش مصنوعی می‌تواند در کارهایی مانند ایده‌پردازی، دسته‌بندی اولیه مفاهیم، خلاصه‌سازی مقالات، بررسی ارتباط مفهومی کلیدواژه‌ها و کمک به تفسیر اولیه داده‌ها مفید باشد.
اما نباید بدون بررسی، اطلاعات تولیدشده توسط هوش مصنوعی را وارد مقاله کنید.
یکی از خطرهای مهم، تولید منابع جعلی یا اطلاعات نادرست است.
بنابراین منابع، DOI، نام مقاله و یافته‌های علمی باید از منابع اصلی بررسی شوند.
اگر در استفاده از هوش مصنوعی برای پژوهش نگرانی دارید، مطالعه مقاله «هوش مصنوعی و پلاجیاریسم: استفاده صحیح از AI» می‌تواند دید دقیق‌تری درباره استفاده مسئولانه از این ابزارها ایجاد کند.
همچنین برای پیدا کردن مقالات و تحلیل ادبیات پیش از انجام بیبلیومتریک، مقاله «مرور ادبیات با هوش مصنوعی: از ایده تا نگارش» می‌تواند مکمل مناسبی باشد.
این یکی از مشکلات رایج پژوهشگران است.
گاهی یک مقاله دقیقاً همان مطالعه‌ای است که برای بررسی پیشینه یا تحلیل شکاف پژوهشی به آن نیاز دارید، اما متن کامل آن در دسترس نیست.
در چنین شرایطی، اولین راه‌حل خرید مقاله نیست.
ابتدا عنوان دقیق مقاله را در Google Scholar جستجو کنید.
سپس نام مقاله را همراه با عبارت‌هایی مانند PDF، full text یا repository بررسی کنید.
بسیاری از پژوهشگران نسخه پذیرفته‌شده مقاله را در صفحه دانشگاهی، مخزن سازمانی یا وب‌سایت شخصی خود قرار می‌دهند.
همچنین می‌توانید صفحه نویسنده یا پروفایل پژوهشی نویسندگان را بررسی کنید.
در بعضی موارد، نسخه‌ای از مقاله در یک Institutional Repository دانشگاهی یا مخزن علمی معتبر وجود دارد.
اگر مقاله همچنان در دسترس نبود، بررسی مقالاتی که به آن مقاله استناد کرده‌اند نیز می‌تواند راهگشا باشد.
گاهی یک مقاله جدیدتر، روش، داده یا نتیجه مطالعه قبلی را به‌صورت دقیق گزارش کرده است.
یک مسیر منطقی می‌تواند این باشد:
Google Scholar → صفحه نویسنده → مخزن دانشگاهی → نسخه پذیرفته‌شده مقاله → مقالات استنادکننده
اگر هیچ نسخه قانونی و رایگانی پیدا نشد، در نهایت می‌توانید از کتابخانه دانشگاه، خدمات امانت بین‌کتابخانه‌ای یا دسترسی سازمانی استفاده کنید.
نکته مهم این است که برای دسترسی به مقاله، سراغ منابع غیرقانونی یا فایل‌های ناشناس نروید.
جهت یادگیری 10 روش دانلود رایگان مطالعات، مقاله «آموزش دانلود رایگان مقاله» را مطالعه کنید.
بهتر است این کار را انجام ندهید.
نقشه VOSviewer یک نقطه شروع برای کشف موضوع است، نه پاسخ نهایی.
ابتدا خوشه‌ها و کلیدواژه‌های مهم را شناسایی کنید.
سپس موضوعات جدیدتر را بررسی کنید.
بعد چندین مقاله کلیدی را مطالعه کنید.
در مرحله بعد، محدودیت‌ها و پیشنهادهای پژوهش‌های قبلی را استخراج کنید.
در نهایت چند ایده مختلف ایجاد کنید و آن‌ها را از نظر نوآوری، اهمیت، امکان اجرا، دسترسی به داده و قابلیت انتشار مقایسه کنید.
این فرآیند احتمال انتخاب یک موضوع تکراری را کاهش می‌دهد.
خیر.
این یکی از مهم‌ترین اشتباهات در مقالات بیبلیومتریک است.
یک مقاله علمی نباید صرفاً مجموعه‌ای از تصاویر VOSviewer باشد.
پژوهشگر باید توضیح دهد:
داده‌ها از کجا جمع‌آوری شده‌اند؟
استراتژی جستجو چه بوده است؟
معیارهای ورود و خروج چه بوده‌اند؟
داده‌ها چگونه پاک‌سازی شده‌اند؟
چرا نوع خاصی از تحلیل انتخاب شده است؟
هر نقشه چه چیزی را نشان می‌دهد؟
خوشه‌های شناسایی‌شده چه مفهومی دارند؟
نتایج چه پیام علمی برای پژوهش آینده دارند؟
در واقع نقشه، نتیجه تحلیل است؛ نه خود تحلیل.
ارزش مقاله زمانی بیشتر می‌شود که پژوهشگر بتواند بین داده‌های کتاب‌سنجی و معنای علمی آن‌ها ارتباط برقرار کند.
شروع کار معمولاً دشوار نیست.
چالش اصلی زمانی ایجاد می‌شود که بخواهید از نرم‌افزار برای یک پژوهش واقعی استفاده کنید.
در آن مرحله پرسش‌هایی مانند این موارد مطرح می‌شوند:
کدام نوع تحلیل را انتخاب کنم؟
چند مقاله برای تحلیل مناسب است؟
Minimum Occurrences را چه عددی قرار دهم؟
کدام کلیدواژه‌ها باید حذف یا ادغام شوند؟
چطور خوشه‌ها را تفسیر کنم؟
چگونه از نتایج نقشه، موضوع پژوهشی استخراج کنم؟
و مهم‌تر از همه:
چطور این نتایج را به یک مقاله بیبلیومتریک قابل انتشار تبدیل کنم؟
به همین دلیل، یادگیری نرم‌افزار با یک پروژه واقعی بسیار مفیدتر از یادگیری صرفاً منوهای آن است.
اگر سه بخش قبلی این مقاله را مطالعه کرده باشید، اکنون مسیر کلی را می‌شناسید:
انتخاب موضوع → بررسی شکاف → پیدا کردن روندها → تحلیل → ساخت نقشه → پاک‌سازی → استخراج داده → جستجوی علمی
اما اینجا همان نقطه‌ای است که بسیاری از پژوهشگران متوقف می‌شوند.
دیدن یک نقشه VOSviewer آسان است.
استفاده صحیح از نقشه برای انتخاب موضوع و تبدیل آن به یک مقاله علمی، مرحله متفاوتی است.
اگر می‌خواهید این مسیر را به‌صورت عملی و پروژه‌محور یاد بگیرید، دوره «VOSviewer بیاموز و مقاله بنویس» برای همین هدف طراحی شده است.
در این دوره، نرم‌افزار فقط به‌عنوان یک ابزار رسم نمودار دیده نمی‌شود؛ بلکه هدف، استفاده از آن در مسیر واقعی پژوهش و مقاله‌نویسی است.
اگر قصد دارید این مسیر را جدی‌تر دنبال کنید، می‌توانید دوره را با کد تخفیف VOS30 و ۳۰٪ تخفیف تهیه کنید.
الماس های من
2 thoughts on “آموزش VOSviewer؛ پیدا کردن موضوعات داغ پژوهشی”
اموزش خوبی بود ممنون
عالی بود