بررسی علم‌سنجی و تحلیل خوشه‌های موضوعی پژوهش‌های حوزه هستی‌شناسی در بازیابی اطلاعات

سابقه و هدف: ترکیب سیستم‌های بازیابی مبتنی بر هستی‌شناسی موجب بازیابی معنایی کلمات می‌شود. هدف از پژوهش حاضر بررسی مقالات حوزه هستی‌شناسی در بازیابی اطلاعات با استفاده از تکنیک‌های علم‌سنجی است.مواد و روش‌ها: پژوهش حاضر با استفاده از روش اسنادی و تحلیل خوشه‌بندی واژگان انجام شده است. جامعه پژوهش شامل 2595 مقاله نمایه‌شده در دو پایگاه اسکوپوس و وب‌آو‌ساینس طی بازه زمانی 2001 تا 2023 است. تجزیه و تحلیل داده‌های پژوهش با کمک نرم‌ افزار excel، bibexcel، spss 26، و نرم‌ افزار ucinet صورت گرفت. ترسیم نقشه‌های پژوهش نیز با نرم‌ افزار vosviewer انجام شد.یافته‌ها: رشد مقالات در زمینه هستی‌شناسی و بازیابی اطلاعات کم و نرخ رشد سالانه آن به‌ طور متوسط برابر با 0/11% است. دانشگاه stanford و california با همکاری در 6 مقاله و حوزه علوم کامپیوتر با نگارش 43% از مقالات، پرکارترین سازمان‌ و حوزه‌ بودند. خوشه‌بندی واژگان، منجر به تشکیل 4 خوشه موضوعی؛ بازیابی معنایی اطلاعات، هستی ‌شناسی غیر انسانی، طبقه‌ بندی سیستم‌ها و نقش فناوری شد. همچنین همبستگی مثبتی بین تولید علم و مرکزیت‌ها (مرکزیت درجه 0/323، مرکزیت نزدیکی 0/278 و مرکزیت بینابینی 0/447) وجود دارد.نتیجه‌گیری: سیر تکامل واژگان به ‌کار رفته در مقالات نشان داد که اگرچه رشد تولید مقاله این حوزه از ابتدا افزایشی بوده؛ ولی پیشرفت فناوری‌های هستی‌شناسی در بازیابی اطلاعات از آغاز از یک سیستم معنایی ضعیف به نام طبقه‌ بندی اطلاعات آغاز شده و با پشت سر گذاشتن مراحل تکامل خود در حال حاضر با بهره‌گیری از یادگیری ماشین، در پی درک خواسته‌های کاربران و پردازش اطلاعات با کمک هوش مصنوعی است.

scientometrics and analysis of thematic clusters of research in the field of ontology in information retrieval

background and aim: the combination of ontology-based retrieval systems leads to the semantic retrieval of words. the aim of this study was to review ontology articles in information retrieval using scientometric techniques.materials and methods: the present study was conducted using the documentary method and word cluster analysis. the research population comprised 2595 articles indexed in two databases, scopus and web of science, from 2001 to 2023. the data were analyzed using excel, bibexcel, spss 26 and ucinet. vosviewer was used to draw research maps.findings: the growth of articles in ontology and information retrieval was low and the annual growth rate averaged 0.11%.stanford and california universities were the most prolific organizations, contributing to 6 articles, and the field of computer science was the most prolific with 43% of the articles written. the word clustering led to the formation of 4 thematic clusters: semantic retrieval of information, non-human ontology, classification of systems, and role of technology. in addition, there was a positive correlation between science production and centralities (degree centrality 0.323, closeness centrality 0.278, and betweenness centrality 0.447).conclusion: the evolution of the words used in the articles has shown that although the growth of article production in this field has increased from the beginning, the development of ontology technologies in information retrieval started with a weak semantic system called information classification, and after the various stages of development, it now uses machine learning to understand user requirements and process information with the help of artificial intelligence.