DOI: https://doi.org/10.1038/s41598-025-93423-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40200011
تاريخ النشر: 2025-04-08
المؤلف: Hyeon Chang Kim وآخرون
الموضوع الرئيسي: البحث في علم القياسات العلمية والبيبلومetrics
نظرة عامة
في هذه الدراسة، نقدم طريقة تحليل اتجاهات البحث المعتمدة على الكلمات الرئيسية مصممة لتحليل مجالات البحث بشكل منهجي من خلال استخراج الكلمات الرئيسية وبناء شبكة كلمات رئيسية. نظرًا للنمو الأسي في المنشورات العلمية، تتناول طريقتنا الحاجة إلى أساليب تحليلية تفسر اتجاهات البحث من الناحيتين الطوبولوجية والزمنية. طبقنا هذه الطريقة على مجال ذاكرة الوصول العشوائي المقاومة (ReRAM)، الذي يكتسب اهتمامًا كبديل محتمل للذاكرة غير المتطايرة والسينابس الاصطناعية. كشفت تحليلاتنا عن ثلاث مجتمعات كلمات رئيسية متميزة بناءً على علاقة المعالجة-الهيكل-الخاصية-الأداء (PSPP)، مع اتجاه تصاعدي ملحوظ في التطبيقات العصبية.
تشمل المنهجية ثلاث عمليات رئيسية: جمع المقالات، استخراج الكلمات الرئيسية باستخدام خط أنابيب معالجة اللغة الطبيعية المعتمد على RoBERTa، وتصنيف المجتمعات من خلال شبكة تواجد الكلمات الرئيسية. تشير نتائجنا إلى أن أبحاث ReRAM يمكن تصنيفها إلى ثلاث مجتمعات—SIP، MIP، وNA—تعكس مرحلة نضوجها، بينما تشهد مجتمع NA نموًا بسبب زيادة الاهتمام بتطبيقات الشبكات العصبية. لا تنظم هذه الطريقة فقط مشهد أبحاث ReRAM ولكنها تقدم أيضًا رؤى حول اتجاهات البحث والاتجاهات المستقبلية، مما يوضح إمكانية تطبيقها عبر مجالات مختلفة. تتماشى نتائجنا مع الأدبيات الحديثة، مما يبرز قدرة الطريقة على تقديم تحليلات مفصلة وتوقعات بشأن مسارات البحث.
الطرق
في هذه الدراسة، يقدم المؤلفون طريقة منهجية لهيكلة مجال البحث في ذاكرة الوصول العشوائي المقاومة (ReRAM) من خلال عملية من ثلاث خطوات: جمع المقالات، استخراج الكلمات الرئيسية، وهيكلة البحث. تتضمن مرحلة جمع المقالات جمع البيانات الببليوغرافية من مقالات المجلات ذات الصلة باستخدام واجهات برمجة التطبيقات من Crossref وWeb of Science، مع التركيز على الأوراق المنشورة منذ عام 1971 وتصنيف أنواع الوثائق غير المقالات. أسفرت هذه العملية عن مجموعة بيانات تضم 12,025 مقالة عن ReRAM، مع قيود تفصيلية على استخراج الكلمات الرئيسية المقدمة في الجدول التكميلي S1.
تستخدم مرحلة استخراج الكلمات الرئيسية خط أنابيب معالجة اللغة الطبيعية (NLP)، وبالتحديد نموذج RoBERTa المعتمد “en_core_web_trf” في spaCy، لتقسيم عناوين المقالات وتحديد الكلمات الرئيسية الهامة. أسفرت هذه العملية عن استخراج 122,981 كلمة و6,763 كلمة رئيسية، تم تصنيفها بعد ذلك حسب سنة النشر. أخيرًا، تبني مرحلة هيكلة البحث مصفوفة تواجد الكلمات الرئيسية لتحليل العلاقات بين الكلمات الرئيسية، وتحويلها إلى شبكة كلمات رئيسية باستخدام Gephi. تم تبسيط الشبكة إلى 516 كلمة رئيسية تمثل 80% من إجمالي تكرار الكلمات، وتم تقسيمها إلى ثلاث مجتمعات باستخدام خوارزمية لوفيان، كما هو موضح في الأشكال 1 و2. تتوفر مزيد من التفاصيل حول بناء شبكة الكلمات الرئيسية في الأشكال التكميلية S1 وS2.
النتائج
في هذا القسم، يقدم المؤلفون تحليلًا منظمًا لاتجاهات الكلمات الرئيسية في مجال أبحاث ReRAM، مصنفين إياها إلى أربعة مكونات رئيسية: المعالجة، الهيكل، الخصائص، والأداء (PSPP)، بالإضافة إلى فئة المواد (M). يحددون ثلاث مجتمعات بحثية متميزة: الأداء المعتمد على المواد (MIP)، الذي يركز على المواد المبتكرة مثل الجرافين والبروفسكيت الهجين؛ التطبيق العصبي (NA)، الذي يبرز أداء أجهزة ReRAM للحوسبة العصبية؛ ومجتمع ثالث شهد انخفاضًا في الأهمية. يكشف التحليل أن مجال أبحاث ReRAM حاليًا في مرحلة النضوج من دورة حياة المنتج، والتي تتميز بمنحنى نصف جرس في اتجاهات تكرار الكلمات الرئيسية.
تشير التحليلات الزمنية إلى أنه بينما انخفضت مجتمع SIP في تكرار الكلمات الرئيسية، أظهر مجتمع NA زيادة ملحوظة، متجاوزًا مجتمع MIP في عام 2019. يُعزى هذا النمو إلى الاهتمام المتزايد بأنظمة التعلم العميق وتحسين ReRAM لتطبيقات الشبكات العصبية. كما يشير المؤلفون إلى تحول في اتجاهات النشر، حيث تهيمن مرحلة المقدمة على عدد قليل من المجلات الرئيسية التي تركز على فيزياء ReRAM، بينما تظهر مرحلة النضوج مشهد نشر أكثر تنوعًا، مما يعكس تركيزًا أوسع على أبحاث مستوى الأجهزة. بشكل عام، توفر هذه الدراسة رؤى حول المشهد المتطور لأبحاث ReRAM وتبرز الاتجاهات الناشئة التي قد تشكل التحقيقات المستقبلية في هذا المجال.
المناقشة
في هذه الدراسة، قدمنا طريقة تحليل اتجاهات البحث المعتمدة على الكلمات الرئيسية التي تصنف مجالات البحث بشكل منهجي باستخدام البيانات الببليوغرافية. تتضمن الطريقة الجمع التلقائي للمقالات عبر واجهة برمجة التطبيقات، تليها استخراج الكلمات الرئيسية من عناوين المجلات باستخدام خط أنابيب معالجة اللغة الطبيعية (NLP) المعتمد على RoBERTa. يتم تنظيم هذه الكلمات الرئيسية بعد ذلك في مجتمعات متميزة من خلال شبكة تواجد الكلمات الرئيسية. كشفت تطبيقنا لهذه الطريقة على أبحاث ReRAM عن ثلاث مجتمعات بحثية رئيسية مصنفة كـ SIP، MIP، وNA، مع اتجاه تصاعدي ملحوظ في مجتمع NA يُعزى إلى زيادة الاهتمام بتطبيقات ReRAM للشبكات العصبية.
تشير التحليلات إلى أن أبحاث ReRAM حاليًا في مرحلة النضوج، مع تباينات سنوية كبيرة في كلمات البحث الرئيسية. تتماشى نتائجنا مع الأدبيات الحديثة حول اتجاهات ReRAM، مما يبرز قيود الأدوات الحالية التي تفشل في تقديم تحليلات مفصلة لاتجاهات البحث والاتجاهات المستقبلية. بالمقابل، تقدم طريقتنا إطارًا قويًا لتتبع التغيرات في اتجاهات البحث وتوقع الاتجاهات المستقبلية من خلال تصنيف وتبويب الكلمات الرئيسية من مقالات المجلات. نفترض أن هذه المنهجية يمكن تكييفها مع مجالات بحثية متنوعة، مما يوفر رؤى قيمة حول كل من المشهد الحالي والتطورات المحتملة في البحث.
DOI: https://doi.org/10.1038/s41598-025-93423-5
PMID: https://pubmed.ncbi.nlm.nih.gov/40200011
Publication Date: 2025-04-08
Author(s): Hyeon Chang Kim et al.
Primary Topic: scientometrics and bibliometrics research
Overview
In this study, we introduce a keyword-based research trend analysis method designed to systematically analyze research fields by extracting keywords and constructing a keyword network. Given the exponential growth of scientific publications, our approach addresses the need for analytical methods that interpret research trends both topologically and temporally. We applied this method to the resistive random-access memory (ReRAM) domain, which is gaining attention as a potential alternative for non-volatile memory and artificial synapses. Our analysis revealed three distinct keyword communities based on the processing-structure-property-performance (PSPP) relationship, with a notable upward trend in Neuromorphic applications.
The methodology involves three key processes: article collection, keyword extraction using a RoBERTa-based NLP pipeline, and community classification through a keyword co-occurrence network. Our findings indicate that ReRAM research can be categorized into three communities—SIP, MIP, and NA—reflecting its maturity stage, while the NA community is experiencing growth due to increased interest in neural network applications. This method not only structures the ReRAM research landscape but also provides insights into research trends and future directions, demonstrating its potential applicability across various fields. Our results align with recent literature, highlighting the method’s capability to deliver detailed analyses and predictions regarding research trajectories.
Methods
In this study, the authors present a systematic method for structuring the research field of Resistive Random Access Memory (ReRAM) through a three-step process: article collection, keyword extraction, and research structuring. The article collection phase involves gathering bibliographic data from relevant journal articles using APIs from Crossref and Web of Science, focusing on papers published since 1971 and filtering out non-article document types. This process resulted in a dataset of 12,025 ReRAM articles, with detailed keyword extraction constraints provided in Supplementary Table S1.
The keyword extraction phase employs a Natural Language Processing (NLP) pipeline, specifically the RoBERTa-based model “en_core_web_trf” in spaCy, to tokenize article titles and identify significant keywords. This resulted in the extraction of 122,981 words and 6,763 keywords, which were then labeled by publication year. Finally, the research structuring phase constructs a keyword co-occurrence matrix to analyze relationships between keywords, transforming it into a keyword network using Gephi. The network is simplified to 516 representative keywords that account for 80% of the total word frequency, and modularized into three communities using the Louvain algorithm, as illustrated in Figures 1 and 2. Further details on the keyword network construction are available in Supplementary Figures S1 and S2.
Results
In this section, the authors present a structured analysis of keyword trends in the ReRAM research field, categorizing them into four main components: Processing, Structure, Properties, and Performance (PSPP), along with a Materials (M) category. They identify three distinct research communities: Material-induced Performance (MIP), which focuses on innovative materials like Graphene and Hybrid perovskite; Neuromorphic Application (NA), which emphasizes the performance of ReRAM devices for neuromorphic computing; and a third community that has seen a decline in relevance. The analysis reveals that the ReRAM research field is currently in the Maturity stage of its product lifecycle, characterized by a half-bell-shaped curve in keyword frequency trends.
Temporal analysis indicates that while the SIP community has decreased in keyword frequency, the NA community has shown a significant increase, surpassing the MIP community in 2019. This growth is attributed to the rising interest in deep learning systems and the optimization of ReRAM for neural network applications. The authors also note a shift in publication trends, with the Introduction stage dominated by a few key journals focusing on the physics of ReRAM, while the Maturity stage exhibits a more diversified publication landscape, reflecting a broader focus on device-level research. Overall, this study provides insights into the evolving landscape of ReRAM research and highlights emerging trends that may shape future investigations in the field.
Discussion
In this study, we introduced a keyword-based research trend analysis method that systematically classifies research fields using bibliographic data. The approach involves the automatic collection of articles via an API, followed by keyword extraction from journal titles using a RoBERTa-based natural language processing (NLP) pipeline. These keywords are then organized into distinct communities through a keyword co-occurrence network. Our application of this method to ReRAM research revealed three primary research communities categorized as SIP, MIP, and NA, with a notable upward trend in the NA community attributed to increasing interest in ReRAM applications for neural networks.
The analysis indicates that ReRAM research is currently in the Maturity stage, with significant yearly variations in research keywords. Our findings align with recent literature on ReRAM trends, highlighting the limitations of existing tools that fail to provide detailed analyses of research trends and future directions. In contrast, our method offers a robust framework for tracking changes in research trends and predicting future directions by classifying and categorizing keywords from journal articles. We posit that this methodology can be adapted to various research domains, yielding valuable insights into both the current landscape and prospective developments in research.