ریزداده‌ها و کاربرد آن در حوزه‌های علمی مختلف: مطالعۀ علم‌سنجی

هدف: هدف از پژوهش، شناسایی ویژگی‌های تولیدات علمی حوزۀ ریزداده نمایه‌شده در پایگاه وب آو ساینس و تبیین کاربرد آن بر مبنای شناسایی واژگان تولیدات علمی مرتبط با این موضوع به تفکیک حوزه‌های علمی است.روش‌شناسی: پژوهش حاضر از نوع توصیفی با رویکرد علم‌سنجی و روش تحلیل محتوا و بهره‌مندی از فنون تحلیل هم‌واژگانی و تحلیل شبکه اجتماعی انجام شده است. تحلیل داده‌ها با نرم‌افزارهای هیست‌سایت، بایب‌اکسل، گفی و اس‌.پی.اس‌.اس؛ و ترسیم داده‌ها با نرم‌افزار وی ­او ­اس ویوئر انجام شده است.یافته‌ها: طی دهه‌های گذشته میزان انتشار تولیدات علمی حوزۀ ریزداده روندی افزایشی با میانگین نرخ رشد سالانۀ 15.59 درصد داشته است. هرچند دانشگاه چنگ‌کونگ (تایوان) از نظر میزان تولید علم و دریافت استناد جایگاه اول را کسب کرد، درمجموع ایالات متحده، چین و آلمان به‌عنوان کشورهای برتر شناخته شدند. بیش از 90 درصد این تولیدات مربوط به حوزه‌های علوم رایانه، مهندسی، ریاضیات، مخابرات و فیزیک است. خوشه‌بندی هم‌واژگانی در این حوزه‌ها به‌ترتیب منجر به تشکیل 8، 6، 7، 5 و 3 خوشه شد. بیشترین مرکزیت درجه مربوط به یادگیری ماشینی، اینترنت اشیاء و وجود جهانی است؛ کلیدواژه‌های انطباق، نمودار دوقطبی و یادگیری ماشینی بیشترین مرکزیت نزدیکی و یادگیری ماشینی، فناوری تکامل بلندمدت و وجود جهانی دارای بیشترین مرکزیت بینابینی در حوزه‌های علمی فوق‌اند.نتیجه‌گیری: الگوی انتشار تولیدات علمی حوزه ریزداده‌ها نشان‌دهندۀ وضعیت بالندگی مستمر است. مباحث نظری ریزداده‌ها بیشتر در علوم ریاضیات و فیزیک تکامل یافته و کاربردهای آن در علوم رایانه و حوزه‌های دیگر در حال گسترش است.

Small-Data and Its Application among Various Scientific Areas: A Scientometric Study

Purpose: The purpose of this study is to identify the characteristics of scientific products in the field of smalldata indexed in the Web of Science database and to explain its application based on identifying the words of scientific products related to this subject separately by scientific fields.Methodology: This research is a descriptive study based on the scientometric approach and content analysis method, which has been done by using the common techniques of coword analysis and social network analysis. Data analysis was performed by HistCite, Bibexecl, Gephi, and SPSS software; and the data mapping is done by VOSviewer.Findings: Over the past decades, the rate of publications in the field of small data has had an increasing trend with an average annual growth rate of 15.59%. The main language of these works is in English. Although the National Cheng Kung University (Taiwan) ranked the first of organizations in this field, the United States, China and Germany recognized the top countries in this field, overall. More than 90% of these products are in the fields of Computer Science (8 clusters), Engineering (6 clusters), Mathematics (7 clusters), Telecommunications (5 clusters), and Physics (3 clusters). The greatest degree of centrality belongs to Machine Learning, the Internet of Things, and Universal existence; the most closeness centrality belongs to Adaptation, Bipartite Graph, and Machine Learning; and the most betweenness centrality belongs to Machine Learning, LongTerm Evolution Technology, and Global Existence.Conclustion: The pattern of dissemination of scientific products in the field of small data indicates a continuous growth situation. Theoretical discussions of microdata have further evolved in mathematics and physics, and its applications in computer science and other fields are expanding.