DOI: https://doi.org/10.5267/j.sci.2026.4.001
تاريخ النشر: 2026-01-01
المؤلف: Samin Sabouri Halestani وآخرون
الموضوع الرئيسي: البحث في علم القياسات العلمية والبيبلومetrics
نظرة عامة
تجري هذه الورقة تحليلًا علميًا لـ 1,708 منشورات من 2019 إلى 2025، مع التركيز على تطبيق التعلم الآلي في أبحاث العوامل البشرية. باستخدام تحليل تكرار الكلمات الرئيسية عبر VOSviewer، تحدد الدراسة ثمانية تجمعات موضوعية، مع تركيز كبير على تقييم الحالة المعرفية، لا سيما في اكتشاف الحمل العقلي والتعب من خلال الإشارات الفسيولوجية وتقنيات التعلم العميق. تسلط التجمعات الإضافية الضوء على مجالات مثل التفاعل بين الإنسان والذكاء الاصطناعي، والذكاء الاصطناعي القابل للتفسير، ودعم القرار، وآثار الأتمتة في سياقات مختلفة، بما في ذلك الرعاية الصحية والصناعة 4.0/5.0. ومن الجدير بالذكر أن التحليل يكشف عن زيادة حديثة في الاهتمام بالذكاء الاصطناعي التوليدي، ونماذج اللغة الكبيرة، والاعتبارات الأخلاقية مثل العدالة والذكاء الاصطناعي المتمركز حول الإنسان.
تشير النتائج إلى تحول في المجال من النمذجة التنبؤية نحو أنظمة الذكاء الاصطناعي التعاونية والقابلة للتفسير، مع تركيز متزايد على الثقة والشفافية والمساءلة الأخلاقية. ومع ذلك، لا تزال التحديات قائمة، بما في ذلك التحقق المحدود من أنظمة الإنسان في الحلقة، والتجزئة المنهجية، ونقص الدراسات الطولية حول التعاون بين الإنسان والذكاء الاصطناعي. يدعو المؤلفون إلى تطوير أطر تقييم موحدة تدمج المقاييس المعرفية والسلوكية، إلى جانب الأبحاث الطولية لفهم أفضل للتفاعلات المستمرة بين البشر والذكاء الاصطناعي. تؤكد الدراسة على أهمية التعامل مع العدالة والشفافية والأمن السيبراني كمبادئ تصميم أساسية، وتبرز فائدة اختبار حساسية العتبة في رسم خريطة المشهد المتطور للبحث بين التخصصات في هندسة العوامل البشرية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير التحويلي للتعلم الآلي (ML) والذكاء الاصطناعي (AI) على أبحاث العوامل البشرية، التي كانت تركز تقليديًا على تحسين التفاعل البشري مع الأنظمة المعقدة. لقد عزز دمج الخوارزميات الذكية من توقع الأداء، وتخفيف المخاطر، ودعم القرار عبر مجالات مختلفة، بما في ذلك الطيران والرعاية الصحية وأنظمة التحكم الصناعية. مع تطور منهجيات التعلم الآلي، تقدم تحديات جديدة تتعلق بالقدرة على التفسير، والموثوقية، والمساءلة، لا سيما في البيئات الحرجة للسلامة. يبرز التحول نحو أطر الذكاء الاصطناعي القابل للتفسير أهمية الشفافية في التفكير الخوارزمي، حيث تشير الدراسات التجريبية إلى أن القابلية للتفسير تؤثر بشكل كبير على الثقة، وقبول المستخدم، وجودة القرار.
على الرغم من النمو السريع لتطبيقات التعلم الآلي في العوامل البشرية، لا تزال الأدبيات مجزأة، حيث تقتصر المراجعات الحالية غالبًا على مجالات محددة. تهدف هذه الدراسة إلى معالجة هذه الفجوة من خلال تحليل علمي شامل لـ 1,708 منشورات مدرجة في Scopus من 2019 إلى 2025. تشمل الأهداف فحص ديناميات نمو المنشورات، وتحديد التجمعات الموضوعية، وتقييم أنماط الاقتباس، وتحليل التطور الزمني لأولويات البحث. من خلال استخدام الخرائط الكمية جنبًا إلى جنب مع التحليل التفسيري، تسعى الدراسة إلى تقديم رؤى حول كيفية إعادة تشكيل التعلم الآلي لأبحاث العوامل البشرية وما إذا كان المجال يتقدم نحو أنظمة ذكية متمركزة حول الإنسان أو ينحرف إلى مسارات تقنية معزولة.
الطرق
تستخدم الدراسة تصميمًا علميًا كميًا، معززًا بتحليل تفسيري منظم، لاستكشاف دمج التعلم الآلي في أبحاث العوامل البشرية بشكل منهجي. يسمح استخدام الأساليب العلمية برسم خرائط موضوعية لمجموعات بيانات ببليوغرافية واسعة، وتحديد التجمعات الموضوعية، وتحليل الديناميات الزمنية داخل هذا المجال متعدد التخصصات الذي يتطور بسرعة (van Eck & Waltman, 2010; Aria & Cuccurullo, 2017). تسهل هذه الطريقة تقييمًا شاملاً لتركيز الهيكل، ونضج المنهجيات، والنماذج الناشئة في هذا المجال.
تم تنظيم سير العمل المنهجي في أربع مراحل متميزة: (1) اختيار قاعدة البيانات وبناء الاستعلام، (2) استخراج مجموعة البيانات والمعالجة المسبقة، (3) تطبيع الكلمات الرئيسية والتنظيف، و(4) تقييم الموثوقية والقيود المنهجية. تضمن هذه الطريقة المنظمة تحليلًا قويًا للمشهد الحالي لتطبيقات التعلم الآلي في أبحاث العوامل البشرية، مما يوفر رؤى قيمة حول تطورها والاتجاهات المستقبلية.
النتائج
في قسم النتائج، تقيم الدراسة تأثير عتبات الحد الأدنى المختلفة على بناء الشبكة لتحليل الكلمات الرئيسية. تؤدي عتبة 5 إلى شبكة كثيفة تضم أكثر من 100 كلمة رئيسية، لكنها تؤدي إلى تجزئة مفرطة تعيق الأنماط الهيكلية، على الرغم من الاحتفاظ بجميع الموضوعات. على العكس، تؤدي عتبة 15 إلى شبكة رقيقة تضم أقل من 50 كلمة رئيسية، مما يستبعد مواضيع مهمة مثل الذكاء الاصطناعي التوليدي والعدالة، وبالتالي تضحية بالثراء المفهومي. العتبة المثلى المحددة هي 10، التي توازن بين الثراء الموضوعي والوضوح التفسيري من خلال الاحتفاظ بـ 75 كلمة رئيسية، مما يسمح بالحفاظ على الموضوعات الناشئة مع الحفاظ على التماسك الهيكلي.
بالإضافة إلى ذلك، يكشف التركيب الهيكلي للنتائج عن ثلاث خصائص رئيسية للمجال: نواة تجريبية قوية تركز على الكشف الفسيولوجي والنمذجة التنبؤية؛ توحيد مفهومي متزايد حول القابلية للتفسير والثقة؛ وتجزئة مستمرة عبر مجالات الرعاية الصحية، وعلم النفس الصناعي، والروبوتات، والتفاعل بين الإنسان والحاسوب (HCI). تشير هذه الرؤى إلى أن دمج التعلم الآلي في أبحاث العوامل البشرية ينتقل من نماذج الكشف المعزولة إلى أنظمة بيئية تعاونية بين الإنسان والذكاء الاصطناعي، على الرغم من أن التحديات لا تزال قائمة في إنشاء أطر تقييم موحدة وتعزيز التكامل عبر المجالات.
المناقشة
تؤكد قسم المناقشة في الورقة على ضرورة دمج التعلم الآلي ضمن الأطر النظرية لأبحاث العوامل البشرية لتعزيز تصميم الأنظمة المتمركزة حول الإنسان. تجمع بين نظريات العوامل البشرية الكلاسيكية، مثل الوعي بالوضع والحمل العقلي، مع التقدم المعاصر في التعلم الآلي والقدرة على التفسير. يبرز القسم أنه بينما يمكن للأنظمة الذكية تحسين الوعي بالوضع من خلال التنبيهات التنبؤية، فإنها تخاطر بتقليله إذا كانت عمليات اتخاذ القرار تفتقر إلى الشفافية. يتم التأكيد على أهمية الثقة في الأتمتة، مشيرًا إلى أن الثقة غير المضبوطة يمكن أن تؤدي إلى الاعتماد المفرط أو الاعتماد الناقص على الأنظمة الآلية، لا سيما في البيئات الحرجة للسلامة.
علاوة على ذلك، توضح الورقة التطور المنهجي للتعلم الآلي في العوامل البشرية، موضحة التقدم في التعلم العميق والتحديات التي تطرحها طبيعة النماذج المعقدة كالصندوق الأسود. تناقش أهمية القابلية للتفسير والذكاء الاصطناعي القابل للتفسير، والتي تعتبر حاسمة لقبول المستخدم والامتثال التنظيمي. كما يحدد القسم التجزئة داخل الأدبيات، داعيًا إلى رسم خرائط منهجية لتوحيد مسارات البحث المتنوعة. بشكل عام، تشير النتائج إلى أنه بينما يمتلك دمج التعلم الآلي القدرة على تعزيز مبادئ التصميم المتمركزة حول الإنسان، فإن الاعتبار الدقيق للقابلية للتفسير والثقة والتوافق المعرفي أمر ضروري لتجنب تقويض هذه المبادئ.
القيود
يسلط قسم القيود الضوء على كل من نقاط القوة والضعف في منهجية الدراسة. تعزز موثوقية النتائج من خلال توثيق شامل لمعايير البحث، وإجراءات التطبيع، واختبار العتبات، جنبًا إلى جنب مع استخدام بيانات وصفية موحدة من Scopus، مما يعزز القابلية للتكرار (Mongeon & PaulHus, 2016). بالإضافة إلى ذلك، يساهم اختيار كلمات المؤلفين الرئيسية كوحدة تحليل في صحة البناء من خلال مواءمة التحليل مع الأطر المفاهيمية للمؤلفين.
ومع ذلك، يتم ملاحظة عدة قيود. قد يحد اعتماد الدراسة على قاعدة بيانات ببليوغرافية واحدة من شمولية البيانات، بينما قد يؤدي استبعاد المنشورات غير الإنجليزية إلى إدخال تحيز. علاوة على ذلك، فإن التحليل القائم على الكلمات الرئيسية محدود بطبيعته في قدرته على التقاط كل الفروق الدلالية الكاملة للمفاهيم المناقشة. على الرغم من هذه القيود، تدعم سير العمل المنظم واختبارات الحساسية المستخدمة طوال الدراسة تفسيرًا قويًا للشبكات الناتجة.
DOI: https://doi.org/10.5267/j.sci.2026.4.001
Publication Date: 2026-01-01
Author(s): Samin Sabouri Halestani et al.
Primary Topic: scientometrics and bibliometrics research
Overview
This paper conducts a scientometric analysis of 1,708 publications from 2019 to 2025, focusing on the application of machine learning in human factors research. Utilizing keyword cooccurrence analysis via VOSviewer, the study identifies eight thematic clusters, with a significant emphasis on cognitive state assessment, particularly in mental workload and fatigue detection through physiological signals and deep learning techniques. Additional clusters highlight areas such as human-AI interaction, explainable AI, decision support, and the implications of automation in various contexts, including healthcare and Industry 4.0/5.0. Notably, the analysis reveals a recent surge in interest surrounding generative AI, large language models, and ethical considerations like fairness and human-centered AI.
The findings indicate a shift in the field from predictive modeling towards collaborative and explainable AI systems, with a growing focus on trust, transparency, and ethical accountability. However, challenges persist, including limited validation of human-in-the-loop systems, methodological fragmentation, and a lack of longitudinal studies on human-AI collaboration. The authors advocate for the development of standardized evaluation frameworks that integrate cognitive and behavioral metrics, alongside longitudinal research to better understand sustained interactions between humans and AI. The study underscores the importance of treating fairness, transparency, and cybersecurity as fundamental design principles, and highlights the utility of threshold sensitivity testing in mapping the evolving landscape of interdisciplinary research in human factors engineering.
Introduction
The introduction of the research paper highlights the transformative impact of machine learning (ML) and artificial intelligence (AI) on human factors research, which traditionally focused on optimizing human interaction with complex systems. The integration of intelligent algorithms has enhanced performance prediction, risk mitigation, and decision support across various domains, including aviation, healthcare, and industrial control systems. As ML methodologies evolve, they introduce new challenges related to interpretability, reliability, and accountability, particularly in safety-critical environments. The shift towards explainable AI frameworks emphasizes the importance of transparency in algorithmic reasoning, as empirical studies indicate that explainability significantly influences trust, user acceptance, and decision quality.
Despite the rapid growth of ML applications in human factors, the literature remains fragmented, with existing reviews often limited to specific domains. This study aims to address this gap through a comprehensive scientometric analysis of 1,708 Scopus-indexed publications from 2019 to 2025. The objectives include examining publication growth dynamics, identifying thematic clusters, evaluating citation patterns, and analyzing the temporal evolution of research priorities. By employing quantitative mapping alongside interpretive analysis, the study seeks to provide insights into how ML is reshaping human factors research and whether the field is advancing towards integrated human-centered intelligent systems or diverging into isolated technical trajectories.
Methods
The study employs a quantitative scientometric design, enhanced by structured interpretive analysis, to systematically explore the integration of machine learning into human factors research. Utilizing scientometric methods allows for the objective mapping of extensive bibliographic datasets, identification of thematic clusters, and analysis of temporal dynamics within this rapidly evolving interdisciplinary field (van Eck & Waltman, 2010; Aria & Cuccurullo, 2017). This approach facilitates a comprehensive evaluation of structural concentration, methodological maturity, and emerging paradigms in the domain.
The methodological workflow is organized into four distinct stages: (1) database selection and query construction, (2) dataset extraction and preprocessing, (3) keyword normalization and cleaning, and (4) assessment of reliability and methodological limitations. This structured approach ensures a robust analysis of the current landscape of machine learning applications in human factors research, providing valuable insights into its development and future directions.
Results
In the results section, the study evaluates the impact of different minimum occurrence thresholds on network construction for keyword analysis. A threshold of 5 yields a dense network with over 100 keywords, but leads to excessive fragmentation that obscures structural patterns, despite retaining all themes. Conversely, a threshold of 15 results in a sparse network with fewer than 50 keywords, excluding significant topics like generative AI and fairness, thus sacrificing conceptual richness. The optimal threshold identified is 10, which balances thematic richness and interpretive clarity by retaining 75 keywords, allowing for the preservation of emerging topics while maintaining structural coherence.
Additionally, the structural synthesis of findings reveals three key characteristics of the field: a robust empirical core focused on physiological detection and predictive modeling; a growing conceptual consolidation around explainability and trust; and ongoing domain fragmentation across healthcare, industrial ergonomics, robotics, and human-computer interaction (HCI). These insights suggest that the integration of machine learning within human factors research is transitioning from isolated detection models to collaborative human-AI ecosystems, although challenges remain in establishing standardized evaluation frameworks and fostering cross-domain integration.
Discussion
The discussion section of the paper emphasizes the necessity of integrating machine learning within the theoretical frameworks of human factors research to enhance human-centered system design. It synthesizes classical human factors theories, such as situation awareness and mental workload, with contemporary advancements in machine learning and interpretability. The section highlights that while intelligent systems can improve situation awareness through predictive alerts, they risk degrading it if their decision-making processes lack transparency. The importance of trust in automation is underscored, noting that miscalibrated trust can lead to either over-reliance or under-reliance on automated systems, particularly in safety-critical environments.
Furthermore, the paper outlines the methodological evolution of machine learning in human factors, detailing the advancements in deep learning and the challenges posed by the black-box nature of complex models. It discusses the significance of interpretability and explainable AI, which are crucial for user acceptance and regulatory compliance. The section also identifies the fragmentation within the literature, advocating for systematic mapping to unify diverse research trajectories. Overall, the findings suggest that while machine learning integration has the potential to enhance human-centered design principles, careful consideration of interpretability, trust, and cognitive compatibility is essential to avoid undermining these principles.
Limitations
The section on limitations highlights both the strengths and weaknesses of the study’s methodology. The reliability of the findings is bolstered by thorough documentation of search criteria, normalization procedures, and threshold testing, alongside the use of standardized metadata from Scopus, which enhances reproducibility (Mongeon & PaulHus, 2016). Additionally, the choice of author keywords as the unit of analysis contributes to construct validity by aligning the analysis with the authors’ conceptual frameworks.
However, several limitations are noted. The study’s reliance on a single bibliographic database may restrict the comprehensiveness of the data, while the exclusion of non-English publications could introduce bias. Furthermore, the keyword-based analysis is inherently limited in its ability to capture the full semantic nuance of the concepts discussed. Despite these limitations, the structured workflow and sensitivity testing employed throughout the study support a robust interpretation of the resulting networks.