تشخیص خودکار شاخه موضوعی اصطلاحات سرعنوان های موضوعی پزشکی با مقایسه نسبت فراوانی آ نها در مدارک مرتبط و غیرمرتبط*

چکیدهمقدمه: تحت تاثیر پویایی اصطلاحات تخصصی، امروزه طبقه بندی موضوعات پیچیده تر شد ه است زیرا هر مدرک می تواند در چند طبقهmedical subject موضوعی جای بگیرد. بر این اساس، پژوهش حاضر با هدف تعیین کارآمدی روش تشخیص خودکار شاخه اصلی اصطلاحاتاز طریق محاسبه نسبت فراوانی آ نها در دسته مدارک مرتبط وغیرمرتبط انجام شد. headingو پایگاه mesh روش بررسی: روش پژوه ش توصیفی، با استفاده از تحلیل اسنادی و نوع آن کاربردی است . در تیر ماه 1391 شمسی ازبه عنوان منابع گردآوری اطلاعات بهره گرفته شد. اعتبار این منابع، روا بودن بهره گیری از آ نها را تایید م یکند. تعداد 18164 اصطلاح pubmedبرگزیده شد. در گزینش آن ها، هیچ محدودیت زمانی اعمال نشد . این تعداد، از حجم نمونه به روش pubmed و 163226 مدرک از meshیازده دسته مدرک حاصل شد. نسبت حضور هر اصطلاح در این دست هها محاسبه و نتیجه با شاخه واقعی ،pubmed کوکران بالاتر بود. با جستجو درمقایسه شد. شاخه اصلی یک درصد از این اصطلاحات توسط متخصصان پزشکی نیز پی شبینی گردید. برای بررسی داده ها، mesh آن در درختصورت گرفت. spss بهره گرفته شد. تحلیل داده ها با نرم افزار chi-squar و t از روش توزیع فراوانی و آزمون هایبه طور متوسط به سه شاخه مربوط بودند و غالب اصطلاحات در تمامی دست هها حضور داشتند . مشخص شد که روش pubmed یافته ها: مدارکرا افزایش می دهد و کارآمدی آن بسته به شاخه موضوعی، بین 3 تا 67 mesh پیشنهادی، احتمال تشخیص منطبق با ساختار درخت موضوعیمنطبق بود. mesh درصد متفاوت است. پیش بینی متخصصان پزشکی درباره شاخه موضوعی هر اصطلاح، به طور معناداری با ساختارنتیجه گیری: سطح انطباق تشخیص طبقه موضوعات به روش های عینی و ذهنی در حوزه های گوناگون فرق می کند. از آن جا که طبقه بند ی هایذهنی کاری کاملا ادراکی و مربوط به تجربه های بیرونی بشری است، مدل های ماشینی نمی توانند دقیقا آن فرآیند را مشابه سازی کنند.pubmed ؛ واژه های کلیدی: طبقه بندی؛ پردازش خودکار داد ه ها؛ سرعنوان های موضوعی پزشکی