مدلسازی موضوعی مقالات پژوهشگران ایرانی در حوزه غدد درونریز و متابولیسم در پایگاه استنادی وب علوم | ||
| پژوهش نامه علم سنجی | ||
| دوره 8، (شماره ا، بهار و تابستان) - شماره پیاپی 15، فروردین 1401، صفحه 49-68 اصل مقاله (874.18 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22070/rsci.2020.5813.1432 | ||
| نویسندگان | ||
| ام البنین اسدی قادیکلایی1؛ نجلا حریری* 2؛ مریم خادمی3؛ فهیمه باب الحوائجی4 | ||
| 1دانشجوی دکتری علم اطلاعات و دانششناسی، گروه علوم ارتباطات و دانششناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 2استاد گروه علوم ارتباطات و دانششناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| 3دانشیار گروه ریاضی کاربردی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایران | ||
| 4دانشیار گروه علوم ارتباطات و دانششناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران. | ||
| چکیده | ||
| هدف: روشهای مدلسازی موضوعات احتمالاتی متشکل از مجموعهای از الگوریتمهایی است که هدف اصلی آنها کشف ساختار پنهان موضوعی در حجم وسیعی از اسناد است. هدف از انجام این پژوهش مدلسازی موضوعی مقالات پژوهشگران ایرانی در حوزه غدد درونریز و متابولیسم در پایگاه استنادی وب علوم است. روششناسی: پژوهش حاضر از نوع کاربردی است که با روش متنکاوی و تحلیل محتوا به انجام رسیده است. در این پژوهش کلیه دادههای مورد نیاز، از پایگاه استنادی وب علوم با استفاده از کلیدواژههای ثبتشده در سرعنوان موضوعی پزشکی بدون محدودیت زمانی تا 15 آبان 97 بازیابی شدند. سپس با استفاده از الگوریتم تخصیص پنهان دریکله مجموعه اسناد در محیط متلب تجزیه و تحلیل شدند. یافتهها: دستههای موضوعی بهصورت دستههایی از 20 واژه و در 10 دسته موضوعی استخراج شدند. سپس توسط فوقتخصصان غدد دستههای موضوعی بر اساس ارتباط آنها به موضوعات مختلف حوزه غدد درونریز و متابولیسم نامگذاری شدند و به هر دسته عنوان موضوعی اختصاص یافت. نتیجهگیری: نتایج بیانگر این است که اجرای مدل تخصیص پنهان دریکله عملکرد قابل قبولی در ارائه دستههای موضوعات حوزه غدد داشته است. دستههای موضوعی استخراجشده دارای تجانس و ارتباط موضوعی خوبی با یکدیگر هستند. | ||
| کلیدواژهها | ||
| غدد درونریز و متابولیسم؛ مدلسازی موضوعی؛ تخصیص پنهان دریکله؛ متنکاوی؛ ایران | ||
| مراجع | ||
|
حشمتی، هاشم، بهنامپور، ناصر، خراسانی، فرشته، و مقدم، زهرا. (1392). شیوع عوارض مزمن دیابت و برخی عوامل مرتبط آن در بیماران دیابتی نوع دو مراجعهکننده به مرکز دیابت شهرستان فریدونکنار. مجله دانشکده علوم پزشکی نیشابور، 1 (2).
شکرچیان چالشتری، رضا. (1395). مدلسازی موضوعی با استفاده از خوشهبندی برای اسناد دامنه خاص. پایاننامه کارشناسی ارشد. دانشگاه تهران.
صابری، محمدکریم، و اسفندیاری مقدم، علیرضا. (1390). بررسی میزان دسترسپذیری و زوال استنادهای وبی مقالات نمایهشده در مؤسسه اطلاعات علمی (ISI) در حوزه اطلاعات سلامت و کتابداری پزشکی. مدیریت اطلاعات سلامت، 8 (2)، 189-197.
قاضی میرسعید، جواد، و صنیعی، نادیا. (1394). ارزیابی جایگاه علمی مراکز تحقیقاتی غدد درونریز، دیابت و متابولیسم دانشگاههای علوم پزشکی کشور به روش .Exergy مجله علمی دانشگاه علوم پزشکی کردستان، 20 (5)، 110- 119.
لاریجانی، باقر، و دیگران. (1395). چارچوب ملی ارائه خدمت در بیماری دیابت در راستای سند ملی پیشگیری و کنترل بیماریهای غیرواگیر. تهران: کمیته ملی پیشگیری و کنترل بیماریهای غیرواگیر.
مسعودی، بابک، و راحتی، سعید. (1394). رفع ابهام معنایی واژگان مبهم فارسی با مدل موضوعی LDA. فصلنامه علمی پژوهشی پردازش علائم و دادهها، ۱۲ (4)، ۱۱۷-125.
Bastani, K., Namavari, H., & Shaffer, J. (2019). Latent Dirichlet allocation (LDA) for topic modeling of the CFPB consumer complaints. 127, 256-271.
Blei, M. D. (2017). Latent dirichlet allocation. J Mach Learn Res. 3:993–1922.
Blei, D.M., Ng, A.Y. & Jordan, M.I. (2003). Latent Dirichlet Allocation. Journal of machine Learning research, 3,993–1922.
Deerwester, S., Dumais, S. T., Furnas, G. W., Landauer, T. K., & Harshman, R. (1990). Indexing by latent semantic analysis. 41(6), 391-407.
Golden, S.H., Robinson, K.A., Saldanha, I. Anton, B. & Ladenson, W. (2009). Prevalence and Incidence of Endocrine & Metabolic Disorders in the United States: A Comprehensive Review. J Clin Endocrinol Metab,94(6),1853–1878.
Hidayatullah, A. F., Aditya, S. K., & Karimah, S. T. (2019). Topic modeling of weather and climate condition on twitter using latent dirichlet allocation (LDA). Paper presented at the IOP Conference Series: Materials Science and Engineering. IOP Publishing.
Hofmann, T. (1999). Probabilistic latent semantic indexing. Paper presented at the Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval.
Hofmann, T. (2001). Unsupervised learning by probabilistic latent semantic analysis. Mach Learn,42(1–2),177–196.
Howes, C., Purver, M. & McCabe, R. (2013). Using conversation topics for predicting therapy outcomes in schizophrenia. Biomed Inf Insights, 6, BII. S11661.
Kandula, S., Curtis, D., Hill, B., & Zeng-Treitler, Q. (2011). Use of topic modeling for recommending relevant education material to diabetic patients. Paper presented at the AMIA annual symposium proceedings.
Liu, L., Tang, L., Dong, W, Shaowen, Y. & Zhoucorresponding W. (2016). An overview of topic modeling and its current applications in bioinformatics. SpringerPlus,5(1),1608.
Mehler, A. & Waltinger, U. (2009). Enhancing document modeling by means of open topic models Crossing the frontier of classification schemes in digital libraries by example of the DDC. Library Hi Tech,27(4),520-539.
Özmutlu, S. & Çavdur, F. (2005) Neural network applications for automatic new topic identification. Online Information Review,29(1),34-53.
Park, S., Choi, D., Lee, W., Jung, D., Kim, M., & Moon, C. (2014). Disease-medicine topic model for prescription record mining. Paper presented at the 2014 IEEE International Conference on Systems, Man, and Cybernetics (SMC).
Ramage, D., Hall, D., Nallapati, R., & Manning, C. D. (2009). Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora. Paper presented at the Proceedings of the 2009 conference on empirical methods in natural language processing.
Robinson, S.D. (2019). Temporal topic modeling applied to aviation safety reports: A subject matter expert review. Safety Science. 116, 275-286.
Sendhilkumar, S., Nachiyar, S.N., & Mahalakshmi, G.S. (2013). Novelty Detection via Topic Modeling in Research Articles. Paper presented at the Proceedings of international conference ICCSEA.
Song, C.W., Jung, H., & Chung, K. (2017). Cluster Comput. Development of a medical big-data mining process using topic modeling. Cluster Computing, (22),1949–1958.
Taghva, K., Russell, B. and Sadeh, M. (2003). A list of farsi stopwords. Retrieved Sept,7(2).
Wang, L., Zhang, Y., Zhang, Y., Xu, X., & Cao, S. (2017). Prescription function prediction using topic model and multilabel classifiers. Evidence-Based Complementary and Alternative Medicine, 2017.
Zhao, W., Chen, J. J., Perkins, R., Liu, Z., Ge, W., Ding, Y., & Zou, W. (2015). A heuristic approach to determine an appropriate number of topics in topic modeling. Paper presented at the BMC bioinformatics.
Verheggen, K., Ræder, H., Berven, Frode S., Martens, L., & Barsnes, H. (2020). Anatomy and evolution of database search engines—a central component of mass spectrometry based proteomic workflows. mass spectrometry review,39(3),292-306. | ||
|
آمار تعداد مشاهده مقاله: 1,492 تعداد دریافت فایل اصل مقاله: 1,426 |
||