DOI: https://doi.org/10.31449/inf.v49i18.5613
تاريخ النشر: 2025-03-25
المؤلف: Otmane Azeroual وآخرون
الموضوع الرئيسي: البحث في علم القياسات العلمية والبيبلومetrics
نظرة عامة
تتناول ورقة البحث التأثير التحويلي للرقمنة على إدارة البيانات داخل البحث، مشددة على ضرورة التحليلات التنبؤية (PA) لاستخراج رؤى قابلة للتنفيذ من مجموعات البيانات الكبيرة. مع صعوبة طرق معالجة البيانات التقليدية في التعامل مع تدفق البيانات الضخمة، خاصة من مصادر مثل إنترنت الأشياء، تبرز الورقة أهمية تحليل البيانات ومعالجتها لتسهيل اتخاذ القرارات المستندة إلى الأدلة. توضح دراسة حالة تستخدم بيانات وصفية من 20,000 منشور مدرج في سكوبس تطبيق PA في أنظمة معلومات البحث الحالية (CRIS)، باستخدام خوارزميات التعلم الآلي مثل آلة الدعم الناقل (SVM)، أقرب جار (kNN)، الغابة العشوائية، ومصنفات الشجرة. حققت خوارزمية kNN أعلى مقاييس الأداء، مما يدل على فعاليتها في تحديد الاتجاهات البحثية الناشئة ودعم القرارات الاستراتيجية في إدارة البحث.
تؤكد الخاتمة على إمكانية PA في تحسين إدارة البحث من خلال تحديد الأنماط والعلاقات السببية داخل البيانات، مما يساعد المؤسسات في اتخاذ قرارات مستنيرة. ومع ذلك، تعترف الورقة بالقيود المتعلقة بقابلية توسيع النموذج المقترح لمجموعات بيانات أكبر وملاءمته لأطر مؤسسية متنوعة تتجاوز CRIS. تشمل اتجاهات البحث المستقبلية استكشاف منهجيات الذكاء الاصطناعي، وتحسين الكفاءة الحاسوبية، والتحقق من صحة النموذج من خلال دراسات الحالة لضمان قابليته العملية. الهدف الشامل هو تحسين عمليات اتخاذ القرار في إدارة البحث، مما يمكّن المؤسسات من التنقل بفعالية في تعقيدات مشهد البحث المتطور.
مقدمة
تناقش مقدمة ورقة البحث المشهد المتطور لإدارة البحث داخل المؤسسات، مشددة على الحاجة إلى المرونة والاستدامة في التعامل مع البيانات. تنتقد التشبيه الشائع للبيانات بالنفط، مشيرة إلى الاختلافات الكبيرة: البيانات هي مورد يمكن إعادة استخدامه بلا حدود، يمكن تكراره ونقله بتكاليف منخفضة، وتزداد فائدته مع الاستخدام، على عكس الطبيعة المحدودة والمستنفدة للنفط. تجادل الورقة من أجل تحول في نموذج رؤية البيانات كأنها مشابهة لمصادر الطاقة المتجددة، التي يمكن أن تعزز المزايا التنافسية من خلال الجمع الفعال والتحليل.
يحدد المؤلفون الاستخدام غير الكافي للبيانات داخل مؤسسات البحث والتحديات التي تطرحها البيئات المعقدة والديناميكية التي تتطلب أدوات تخطيط جديدة مدفوعة بالبيانات. يقدمون مفهوم التحليلات التنبؤية (PA) كعنصر حاسم في ذكاء الأعمال، مشيرين إلى اعتمادها المتزايد في الشركات الكبيرة ولكن تطبيقها المحدود في أنظمة معلومات البحث الحالية (CRIS). تهدف الورقة إلى استكشاف الفوائد المحتملة لـ PA في إدارة البحث، مقترحة نموذج اتخاذ قرار يستفيد من PA لتعزيز القرارات الاستراتيجية. كما تحدد الحاجة إلى مزيد من الاستكشاف لتداعيات PA، والتحديات، والمخاطر في سياق إدارة البحث المدعومة بتكنولوجيا المعلومات، ساعية في النهاية إلى سد الفجوات الموجودة في الأدبيات والممارسة.
الطرق
تشمل منهجية هذه الدراسة تحليلًا شاملاً لبيانات وصفية لـ 20,000 ورقة باللغة الإنجليزية مأخوذة من قاعدة بيانات سكوبس، مع التركيز على المواضيع المتعلقة بـ “المدن الذكية” وتطوير CRIS (أنظمة معلومات البحث الحالية). تشمل البيانات الوصفية مجموعة متنوعة من السمات مثل العناوين، المؤلفين، الانتماءات، الملخصات، الكلمات الرئيسية، سنوات النشر، وعدد الاقتباسات. تؤكد الدراسة على دور CRIS في تعزيز إدارة البيانات، والتعاون بين التخصصات، والمراقبة في الوقت الحقيقي داخل المدن الذكية، مما يسهل التخطيط الحضري واتخاذ القرار من خلال دمج مجموعات بيانات متنوعة.
تم هيكلة عملية استخراج البيانات في خمس مراحل: (1) **جمع البيانات**، حيث يتم استرداد البيانات الوصفية من مصادر متعددة بما في ذلك المستودعات عبر الإنترنت وقواعد بيانات البحث؛ (2) **إعداد البيانات**، التي تشمل خطوات المعالجة المسبقة مثل تقسيم النص، والتجذير، والتصريف لضمان جاهزية البيانات للتحليل؛ (3) **نمذجة البيانات**، والتي تشمل استخراج الميزات وتطبيق تقنيات التعرف على الكلمات الرئيسية؛ (4) **تقييم النموذج**، حيث يتم استخدام خوارزميات التعلم الآلي المختلفة (مثل آلة الدعم الناقل، أقرب جار، شجرة القرار، الغابة العشوائية) لإنشاء وتقييم نماذج تنبؤية بناءً على مقاييس الأداء مثل AUC وF1-Score؛ و(5) **تصوير النتائج**، الذي يقدم النتائج من خلال التقارير، والجداول، والرسوم البيانية. النموذج المقترح قابل للتكيف عبر مجالات مختلفة ويشمل استراتيجيات ضبط المعلمات لتحسين أداء الخوارزمية، مما يضمن نتائج قوية وفعالة في تحليل بيانات البحث العلمي.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تطبيق نموذج PA المقترح باستخدام برنامج استخراج البيانات Orange لتحليل الأوراق العلمية المتعلقة بالمدن الذكية. تضمنت المرحلة الأولية جمع البيانات الوصفية من قاعدة بيانات سكوبس، والتي تم هيكلتها بعد ذلك في ملف CSV. شملت خطوات إعداد البيانات اللاحقة خطوات المعالجة المسبقة مثل التطبيع، وتقسيم النص، والترشيح، باستخدام تقنيات مثل مصحح الكلمات في WordNet وإزالة الكلمات الشائعة. استخدمت مرحلة النمذجة استخراج الميزات من خلال n-grams وعلامات أجزاء الكلام، مما أدى إلى تشكيل مجموعات هرمية وأنتولوجيا بناءً على استخراج الكلمات الرئيسية.
تم تقييم خوارزميات التعلم الآلي المختلفة—SVM، kNN، أشجار القرار، والغابة العشوائية—باستخدام مقاييس مثل المساحة تحت المنحنى (AUC)، دقة التصنيف، درجة F1، الدقة، والاسترجاع. أظهرت النتائج أن نموذج kNN تفوق على الآخرين بأعلى قيمة AUC، بينما حققت جميع النماذج أكثر من 75% دقة، مما يشير إلى دقة عالية. كشفت التحليلات عن هيمنة المقالات التي تركز على المدن الذكية، مع تحول في التركيز نحو تطبيقات CRIS في مجموعة بيانات التنبؤ. كما أبرزت الدراسة تحديد الموضوعات الرائجة والمجموعات، مما يؤكد الصلة الموضوعية بالمدن الذكية والذكاء الحضري طوال البحث.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور إدارة البحث وأهمية التحليلات البيانية المتزايدة في مؤسسات التعليم العالي. في البداية، كانت مدفوعة بمطالب حكومية للحصول على معلومات بحثية، وقد تطلب التحول نحو الحوكمة الذاتية في الثمانينات فهمًا أكثر دقة لأداء البحث، سواء من الناحية النوعية أو الكمية. أدى هذا التحول إلى ظهور أنظمة معلومات بحث متطورة (CRIS)، التي تسهل دمج وتحليل مصادر البيانات المتنوعة، مما يعزز اتخاذ القرارات الاستراتيجية والكفاءة التشغيلية داخل المؤسسات الأكاديمية. لا تعمل CRIS فقط على تبسيط عمليات إدارة البحث ولكنها تدعم أيضًا توثيق وتقييم الأنشطة البحثية، مما يربط التمويل بالنتائج ويمكّن من التقييمات المقارنة عبر المؤسسات.
يتناول القسم أيضًا التحليلات التنبؤية (PA) كأداة حاسمة لتحسين إدارة البحث. تستفيد PA من تقنيات تحليل البيانات المتقدمة، بما في ذلك التعلم الآلي واستخراج البيانات، للتنبؤ بالاتجاهات المستقبلية وإبلاغ عمليات اتخاذ القرار. تؤكد الورقة أنه بينما يستمر حجم بيانات البحث في النمو، يمكن أن يؤدي التطبيق الفعال لـ PA إلى رؤى كبيرة وكفاءات تشغيلية. ومع ذلك، تعترف أيضًا بالتحديات المرتبطة بجودة البيانات، والدمج، والامتثال للوائح الخصوصية، مما يتطلب أطر حوكمة بيانات قوية. تعكس ظهور أدوار وظيفية جديدة تركز على إدارة البيانات المشهد المتطور لمؤسسات البحث، مما يبرز الحاجة إلى محترفين مهرة قادرين على التنقل في تعقيدات البيانات الضخمة في سياقات إدارة البحث.
DOI: https://doi.org/10.31449/inf.v49i18.5613
Publication Date: 2025-03-25
Author(s): Otmane Azeroual et al.
Primary Topic: scientometrics and bibliometrics research
Overview
The research paper discusses the transformative impact of digitization on data management within research, emphasizing the necessity of predictive analytics (PA) to derive actionable insights from large datasets. As traditional data processing methods struggle to cope with the influx of Big Data, particularly from sources like the Internet of Things, the paper highlights the importance of analyzing and processing data to facilitate evidence-based decision-making. A case study utilizing metadata from 20,000 Scopus-indexed publications demonstrates the application of PA in Current Research Information Systems (CRIS), employing machine learning algorithms such as Support Vector Machine (SVM), k-Nearest Neighbor (kNN), Random Forest, and Tree classifiers. The kNN algorithm achieved the highest performance metrics, indicating its efficacy in identifying emerging research trends and supporting strategic decisions in research management.
The conclusion emphasizes the potential of PA to enhance research management by identifying patterns and causal relationships within data, thus aiding institutions in making informed decisions. However, the paper acknowledges limitations regarding the scalability of the proposed model to larger datasets and its adaptability to various institutional frameworks beyond CRIS. Future research directions include exploring AI methodologies, optimizing computational efficiency, and validating the model through case studies to ensure its practical applicability. The overarching goal is to improve decision-making processes in research management, enabling institutions to navigate the complexities of evolving research landscapes effectively.
Introduction
The introduction of the research paper discusses the evolving landscape of research management within institutions, emphasizing the need for resilience and sustainability in data handling. It critiques the common analogy of data as oil, highlighting significant differences: data is an infinitely reusable resource, can be replicated and transferred at low costs, and its utility increases with use, contrasting with the finite and depleting nature of oil. The paper argues for a paradigm shift in viewing data as akin to renewable energy sources, which can drive competitive advantages through effective collection and analysis.
The authors identify the underutilization of data within research institutions and the challenges posed by complex, dynamic environments that necessitate new data-driven planning tools. They introduce the concept of predictive analytics (PA) as a critical component of business intelligence, noting its growing adoption in large companies but limited application in current research information systems (CRIS). The paper aims to explore the potential benefits of PA in research management, proposing a decision-making model that leverages PA to enhance strategic decisions. It also outlines the need for further exploration of PA’s implications, challenges, and risks in the context of IT-supported research management, ultimately seeking to fill existing gaps in the literature and practice.
Methods
The methodology of this study involves a comprehensive analysis of 20,000 English-language paper metadata sourced from the Scopus database, focusing on topics related to “smart cities” and CRIS (Current Research Information Systems) development. The metadata encompasses various attributes such as titles, authors, affiliations, abstracts, keywords, publication years, and citation counts. The research emphasizes the role of CRIS in enhancing data management, interdisciplinary collaboration, and real-time monitoring within smart cities, thereby facilitating urban planning and decision-making through the integration of diverse datasets.
The data mining process is structured into five phases: (1) **Data Collection**, where metadata is retrieved from multiple sources including online repositories and research databases; (2) **Data Preparation**, involving preprocessing steps such as tokenization, stemming, and lemmatization to ensure data readiness for analysis; (3) **Data Modeling**, which includes feature extraction and application of keyword recognition techniques; (4) **Model Evaluation**, where various machine learning algorithms (e.g., Support Vector Machine, k-Nearest Neighbor, Decision Tree, Random Forest) are employed to create and assess predictive models based on performance metrics like AUC and F1-Score; and (5) **Results Visualization**, which presents findings through reports, tables, and graphs. The proposed model is adaptable across different domains and incorporates hyperparameter tuning strategies to optimize algorithm performance, ensuring robust and effective outcomes in the analysis of scientific research data.
Results
In this section, the authors present the results of applying the proposed PA model using the Orange data mining software to analyze scientific papers related to smart cities. The initial stage involved collecting metadata from the Scopus database, which was then structured into a CSV file. Subsequent data preparation included preprocessing steps such as normalization, tokenization, and filtering, utilizing techniques like the WordNet Lemmatizer and stopword removal. The modeling stage employed feature extraction through n-grams and POS tagging, leading to the formation of hierarchical clusters and an ontology based on keyword extraction.
The evaluation of various machine learning algorithms—SVM, kNN, Decision Trees, and Random Forest—was conducted using metrics such as Area Under the Curve (AUC), classification accuracy, F1 score, precision, and recall. Results indicated that the kNN model outperformed others with the highest AUC value, while all models achieved over 75% precision, suggesting high accuracy. The analysis revealed a predominance of articles focused on smart cities, with a shift in emphasis towards CRIS applications in the prediction dataset. The study also highlighted the identification of trending topics and clusters, reaffirming the thematic relevance to smart cities and urban intelligence throughout the research.
Discussion
The discussion section of the research paper highlights the evolution of research management and the increasing importance of data analytics in higher education institutions. Initially driven by governmental demands for research information, the shift towards self-regulatory governance in the 1980s necessitated a more nuanced understanding of research performance, both qualitatively and quantitatively. This transformation has led to the emergence of sophisticated research information systems (CRIS), which facilitate the integration and analysis of diverse data sources, thereby enhancing strategic decision-making and operational efficiency within academic institutions. CRIS not only streamline research management processes but also support the documentation and evaluation of research activities, linking funding to outcomes and enabling comparative assessments across institutions.
The section further delves into predictive analytics (PA) as a critical tool for optimizing research management. PA leverages advanced data analysis techniques, including machine learning and data mining, to forecast future trends and inform decision-making processes. The paper emphasizes that while the volume of research data continues to grow, the effective application of PA can yield significant insights and operational efficiencies. However, it also acknowledges the challenges associated with data quality, integration, and compliance with privacy regulations, which necessitate robust data governance frameworks. The emergence of new job roles focused on data management reflects the evolving landscape of research institutions, underscoring the need for skilled professionals capable of navigating the complexities of big data in research management contexts.