ورود کاربران دانشگاهی
ثبت نام(مطالعه آنلاین پایان نامه ها)
کاربر مهمان
سپندا
جمعه 10 فرودرین 1403
|
34.201.19.151
:Your IP
س
امانه
پ
ایان
ن
امه های
د
انشگاه
ا
صفهان (
سپندا
)
صفحه اول(جستجو)
مرور موضوعی
پرسش های متداول و راهنما
سامانه تطبیق پایان نامه با شیوه نامه
تماس با ما
(0)
عنوان :
ارائۀ مدل پیشبینی همکاری علمی در حوزۀ بیوانفورماتیک با استفاده از نظریۀ گراف
انتشارات :
دانشگاه اصفهان
سال :
1399
زبان :
Persian
شماره سند :
951511357001
موضوع :
علم اطلاعات و دانش شناسی
پژوهشگر :
فضه ابراهیمی
توصیفگر لاتین :
Keywords,: Big Data, Bioinformatics, Co-Author, Content-Based Recommender System, Data Science, Graph Theory, Mathematical Model,
توصیفگر فارسی :
,اطلاعات بزرگ ، ,بیوانفورماتیک,، ,نویسندۀ همکار,،, ,سامانۀ توصیهگر,،, علم داده، ,نظریۀ گراف,
دانشکده :
دانشکده علوم تربیتی و روانشناسی، گروه علم اطّلاعا
مقطع :
دکتری
استاد راهنما :
دکتر عاصفه عاصمی,دکتر احمد شعبانی,
استاد مشاور :
دکتر امین نظارات
سال دفاع :
1399
شماره رکورد :
951511357001
شماره راهنما :
فهرست :
فهرست مطالب
عنوانصفحه
فصل اوّل: کلیات پژوهش.............................................................................................................1
1-1- مقدمه1
1-2- بیان مسأله2
1-3- اهمّیت پژوهش7
1-4- اهداف پژوهش8
1-5- سؤالهای پژوهش9
1-6- تعاریف نظری و عملیاتی10
فصل دوم: ادبیات و پیشینه پژوهش.........................................................................................12
2-1- بخش اوّل : مبانی نظری12
2-1-1- همکاری علمی13
2-1-2- بیوانفورماتیک15
2-1-3- سیستمهای توصیهگر16
2-1-4- نظریۀ گراف31
2-1-4-1- کاربرد نظریۀ گراف در علم اطّلاعات و دانششناسی34
2-1-4-2- کاربرد در ترسیم نقشۀ علمی34
2-1-4-3- کاربرد در ترسیم نقشه معنایی علم35
2-1-4-4- کاربرد در بررسی انواع خدمات اطّلاعاتی37
2-1-4-5- کاربرد در بررسی ارتباطات کاربران کتابخانهای37
2-1-4-6- کاربرد گراف در علمسنجی38
2-1-5- تحلیل شبکههای اجتماعی40
2-1-6- انواع شبکههای اجتماعی40
2-1-7- روش پیشبینی لینک در شبکههای اجتماعی42
2-1-8- شاخصهای پیشبینی لینک48
2-1-9- روشهای پیشبینی لینک در پایگاههای اطّلاعاتی علمی61
2-1-10- کلانداده65
2-1-11- مدلسازی در کلانداده68
2-2- بخش دوم : پیشینۀ پژوهش71
2-2-1- پیشینۀ پژوهش در داخل کشور71
2-2-2- پیشینۀ پژوهش در خارج از کشور83
2-2-3- جمعبندی پیشینههای پژوهش97
عنوانصفحه
فصل سوم: روششناسی پژوهش.............................................................................................100
3-1- مقدمه100
3-2- نوع پژوهش100
3-3- روش پژوهش101
3-4- جامعه آماری101
3-5- روش و طرح نمونهگیری102
3-6- برآورد حجم نمونه103
3-7- ابزارها و روشهای گردآوری دادهها104
3-8- روایی و پایایی ابزار گردآوری دادهها106
3-9- تجزیهوتحلیل دادهها107
3-10- روش اجرای پژوهش109
فصل چهارم: یافتههای تحقیق.................................................................................................111
4-1- شناسایی معیارهای مؤثّر در انتخاب همکار علمی111
4-2- محاسبۀ وزن و شدّت همبستگی مقالات حوزۀ بیوانفورماتیک نسبت به یکدیگر براساس ویژگیهای مؤثّر با استفاده از تکنیکهای گرافکاوی و کارافزارهای کلان داده؛117
4-3- ترسیم فرایند همکاری نویسندگان در تولیدات علمی حوزۀ بیوانفورماتیک با استفاده از تکنیکهای گرافکاوی و کارافزارهای کلان داده127
4-4- تعیین دقّت مدل ارائه شده128
فصل پنجم: بحث و نتیجهگیری...............................................................................................131
5-1- خلاصۀ یافتهها، بحث و نتیجهگیری131
5-1-1- چه معیارهایی در انتخاب همکار علمی تأثیرگذار است؟131
5-1-2- وزن معیارهای مؤثّر با استفاده از روش تحلیل سلسهمراتبی و نظرات خبرگان چگونه است؟132
5-1-3- وزن و شدّت همبستگی مقالات حوزۀ بیوانفورماتیک نسبت به یکدیگر براساس ویژگیهای مؤثّر با استفاده از تکنیکهای گرافکاوی و کارافزارهای کلان داده چگونه است؟135
5-1-4- چه مدلی برای پیشبینی همکاری نویسندگان در تولیدات علمی حوزۀ بیوانفورماتیک میتوان ترسیم کرد؟138
5-1-5- دقّت مدل ارائه شده به چه میزان است؟142
5-2- یشنهاد برای پژوهشهای آینده142
5-3- موانع و محدودیتهای پژوهش143
منابع و مآخذ145
پیوستها172
-
-
آخرین صفحه 177
چکیده :
یک چکیده حاوی مهمترین محتوا و محور تحقیق یک مقالۀ علمی است. کباناک (2011) دسترسی به متن و چکیده متون علمی برای پردازش را بسیار پرهزینه و سخت میداند.
برای محاسبۀ شباهت مقالات با استفاده از چکیده از ابزارهای متنکاوی همچون TF_IDF و شباهت کسینوسی در این پایاننامه استفاده گردیده است.
این ویژگی در تحقیقات قبلی برای پیشبینی و توصیه نویسندۀ همکار استفاده نشده بود به نظر میرسد پردازش عظیم و سنگین این قسمت و همچنین نبودن مجموعه داده مناسب از عواملی باشد که محقّقین از آن صرفنظر کردهاند.
وابستگی سازمانی از مؤلّفههای مهم برای نویسندگان برای انتخاب همنویسنده است.و برای پژوهشگران مؤلّفهای مهم است. دپارتمانها، آزمایشگاهها، مدارس و تمامی مؤسسات دانشگاهی به سبب رقابت با مؤسسات دیگر سختگیریهایی برای پژوهشگران ایجاد میکنند؛ که مهمترین دلیل این رقابت حمایتهای مالی دولت و مقامات است (رامر و بورچارد[footnoteRef:704]، 2015). ویژگی وابستگی سازمانی مؤلفۀ مهمی است که پژوهشگران در آلتمتریکس و کتابسنجی از آن استفاده نمودند (یان و گان؛2014؛ براندوا و مرو، 2012، هو، بوئی و بوئی، 2019؛ اندریکوپولوس، سمیتاس و کاستاریس، 2016). [704: Roemer & Borchardt]
چکیده انگلیسی :
Finding the most suitable co-author is one of the most important ways to conduct effective research in scientific fields. Data science has contributed to achieving this possibility significantly. The present study aims at designing a mathematical model of co-author recommender system in bioinformatics using graph mining techniques and big data applications. The present study employed an applied-developmental research method and a mixed-methods research design. The research population consisted of all scientific products in bioinformatics in the PubMed database. To achieve the research objectives, the most appropriate effective features in choosing a co-author were selected, prioritized, and weighted by experts. Then, they were weighted using graph mining techniques and big data applications. Finally, the mathematical co-author recommender system model in bioinformatics was presented. Data analysis instruments included Expert Choice, Excel, Spark, Scala and Python programming languages in a big data server. The research was conducted in five steps: 1) identifying the criteria effective in choosing a co-author using literature analysis method 2)prioritizing and weighting the criteria effective in choosing a co-author using AHP 3) determining the correlation degree of articles based on the criteria obtained from step 1 using algorithms and big data applications; 4) developing a mathematical co-author recommender system model; and 5) evaluating the developed mathematical model. Findings showed that the journal titles and citations criteria have the highest weight while the abstract has the lowest weight in the mathematical co-author recommender system model. The accuracy of the proposed model was 72.26. It was concluded that using content-based features and expert opinions have high potentials in recommending the most appropriate co-authors. It is expected that the proposed co-author recommender system model can provide appropriate recommendations for choosing co-authors on various fields in different contexts of scientific information. The most important innovation of this model is the use of a combination of expert opinions and systemic weights, which can accelerate the finding of co-authors and consequently saving time and achieving a greater quality of scientific products.
کلید واژه ها :
Keywords,: Big Data, Bioinformatics, Co-Author, Content-Based Recommender System, Data Science, Graph Theory, Mathematical Model, _ ,اطلاعات بزرگ ، ,بیوانفورماتیک,، ,نویسندۀ همکار,،, ,سامانۀ توصیهگر,،, علم داده، ,نظریۀ گراف,
0
صفحه اول :
Developing A Model for Predicting the Scientific Collaboration of Authors in Bioinformatics by Graph Theory
فصل اول :
12-99
فصل دوم :
100-110
فصل سوم :
111-130
فصل چهارم :
131-144
فصل پنجم :
145-171
فصل ششم :
172-176
177-177
NULL