اشکان خطیر

پژوهش حاضر با هدف ارائه روشی برای سازماندهی اسناد متنی فارسی با استفاده از تکنیک خوشه بندی انجام شد. مجموعه داده های مربوط به پایان نامه ها و رساله ها شامل 2943 تحقیق به عنوان جامعه آماری در نظر گرفته شد. جمع آوری داده ها از مجموعه داده های مربوط به تحقیقات علمی که شامل 5000  پژوهش در قالب فایل اکسل بود، انجام شد. در این پژوهش پس از تبدیل داده ه ا به قالب ساخت یافت ه، با استفاده از اعمال پیش پردازش عملیات پردازش صورت گرفت. در مرحله پردازش از تکنیک خوشه بندی جهت ارائه الگوریتم پیشنهادی در راستای سازماندهی اسناد متنی فارسی بهره گرفته شد. این الگوریتم با بهبود الگوریتم K-means در جهت خوشه بندی اسناد ارائه شد. نتایج حاصل از ارزیابی نشان داد الگوریتم پیشنهادی بر اساس معیارهای خارجی نسبت به دو الگوریتم K-means و K-means++ در کیفیت خوشه بندی اسناد تأثیر مثبتی داشت. به طوری که تحقیقات هر رده تعیین شده در خوشه موضوعی مرتبط دارای توزیع یکنواختی شد، و منجر به حصول هدف پژوهش حاضر گردید. در جداول رده/ خوشه حاصل از دو الگوریتم K-means  و K-means++ توزیع غیریکنواخت تحقیقات در خوشه ها مشاهده شد. بنابراین، ارزیابی بر اساس معیار های داخلی متأثر از تراکم متفاوت خوشه ها و شباهت بین خوشه ای بود. حجم دیتاست نیز متأثر از راهکارهای پیشنهادی برای انتخاب دیتاست نهایی و فرایند پژوهش نبود، بنابراین الگوریتم پیشنهادی برای ابعاد بالای ویژگی نیز مناسب عمل می کند.

خوشه بندی به عنوان یک فرایند جهت شناخت ماهیت و ساختار داده ها در بسیاری از حوزه های علوم و فناوری های مرتبط با آن نقش مهمی در سازماندهی داده ها دارد. یکی از الگوریتم های پرکاربرد و ساده خوشه بندی، کا-میانه است. پژوهش حاضر با هدف مرور نظام مند تحقیقات در زمینه بهبود الگوریتم کا-میانه برای خوشه بندی داده ها صورت گرفته است. این پژوهش با یک راهبرد جدید بر مبنای کاستی های الگوریتم کا-میانه به بررسی تحقیقات انجام شده در این زمینه و نقش آن در سازماندهی داده ها در محدوده سال های ۲۰۱۰ تا ۲۰۲۰ می پردازد. برای این منظور میزان توجه پژوهشگران به رفع هر یک از کاستی های این الگوریتم برای بهبود طی سال های مزبور در قالب پرسش های پژوهش تدوین شده است. در این پژوهش با استفاده از استراتژی جست وجو، پالایش، و استخراج مقاله ها در نهایت، ۴۷ منبع مرتبط شناسایی و مورد بررسی قرار گرفت. یافته ها نشان داد که بیشترین تحقیقات صورت گرفته با غلبه بر کاستی حساس به مراکز خوشه اولیه در جهت بهبود الگوریتم کا-میانه انجام شده است. همچنین، از ۴۷ تحقیق مورد بررسی، الگوریتم بهبودیافته کا-میانه در ۳۵ تحقیق بر روی داده های غیرمتنی و در ۱۲ تحقیق بر روی داده های متنی اعمال شده است. سرانجام، نتیجه حاصل از بررسی ۶ تحقیق از تحقیقات صورت گرفته نشان داد که حجم داده ها رابطه ای مستقیم با عملکرد الگوریتم بهبودیافته کا-میانه دارد. به عبارت دیگر، این الگوریتم باید به نوعی اصلاح شود که با اعمال بر روی حجم متفاوت داده ها خوشه بندی کارآمد و دقیقی انجام دهد.

نمایه ها و چکیده های یک متن، خلاصه ای از متن را در اختیار خواننده قرار می دهند، لذا می توان از آن ها برای درک سریع و بازیابی سند استفاده کرد. ازآنجاکه بخش عمده ای از فعالیت های علمی فارسی در کشور ایران را پارسا ها تشکیل می دهند، در این پژوهش نمایه سازی پارسا ها از دو دیدگاه نویسنده پارسا و نمایه ساز حرفه ای موردبررسی قرار خواهد گرفت. سپس این نمایه ها با عنوان پارساها موردبررسی قرار می گیرد تا میزان انطباق با کلیدواژه های عنوانی به دست آید. از سوی دیگر با بررسی کلی مجموعه ای از نمایه ها و چکیده ها علاوه بر قابلیت بهبود در بازیابی اطلاعات برای محقق حوزه فعالیتی که بیشتر اسناد بر روی آن تمرکز کرده اند مشخص می شود.علاوه بر آن در این پژوهش وجود نمایه ها و توزیع آن ها در چکیده، بررسی می شوند. از توزیع کلیدواژه ها در چکیده می توان در استخراج خودکار کلیدواژه ها از چکیده پارساها در کارهای آتی استفاده شود. این پژوهش بر روی پارسا های موجود در پایگاه داده پژوهشگاه علوم و فناوری اطلاعات ایران که منبع گردآوری پارسا های فارسی است انجام شده است. روش پژوهش به این صورت است که بعد از گرداوری داده ها، پارسا هایی که اطلاعات کافی ندارند پالایه شده و مابقی پارسا ها توسط برنامه ای که برای پردازش متن چکیده و نمایه های پارسا ها نوشته ایم مورد تحلیل قرار خواهند گرفت. سپس اطلاعات بدست آمده با استفاده از آمار توصیفی شرح داده خواهند شد. بررسی انجام شده در این پژوهش نشان داده است عموماً نمایه های انتخاب شده (بیش از 60%) توسط نویسنده و نمایه ساز حرفه ای از 40% ابتدایی چکیده انتخاب شده اند. دیگر تحلیل های آماری این پژوهش نشان می دهند که میزان انطباق بین توصیفگرها و کلیدواژه ها 8% است. این اختلاف نشان دهنده میزان تفاوت نظر زیاد بین نویسندگان پارسا ها و نمایه سازان است. با بهره گیری از این اختلاف و با تجمیع کلمات و غنی کردن کلیدواژه های سیستم بازیابی اطلاعات می توان در بهبود بازیابی اطلاعات نیز استفاده کرد.

هدف این پژوهش شناسایی میزان تطابق زبان نمایه سازان، نویسندگان و برچسب گذاران در پایگاه اطلاعاتی اریک و مندلی است. این پژوهش از نوع کاربردی است که برای انجام آن از روش تحلیل محتوا استفاده شده است. جامعه مورد مطالعه در این پژوهش شامل 499 مقاله از 20 مجله حوزه علوم تربیتی است که در سال 2014 در پایگاه اطلاعاتی اریک نمایه سازی شده بودند. برچسب های تخصیص داده شده در فاصله زمانی از اول ژانویه سال 2014 تا سوم اوت سال 2016 از وبگاه مندلی استخراج گردید. کلیدواژه های تخصیص داده شده به مقاله ها توسط نویسندگان شان، از خود مقاله ها استخراج گردید. داده های گردآوری شده برای بررسی میزان تطابق این سه زبان با استفاده از برنامه ای به زبان برنامه نویسی شیء گرا سی شارپ مورد تجزیه و تحلیل قرار گرفت. همچنین به منظور مشخص شدن میانگین ها و فراوانی ها از آمار توصیفی استفاده شد و برای تحلیل و ارزیابی داده ها نرم افزار اکسل 2013 به کار گرفته شد. یافته ها نشان می دهد که میزان تطابق کلیدواژه های تخصیص داده شده توسط نویسندگان مدارک با برچسب های تخصیص داده شده توسط برچسب گذاران به همان مدارک در وبگاه مندلی 15درصد، میزان تطابق توصیفگرهای تخصیص داده شده توسط نمایه سازان به مدارک در پایگاه اریک با برچسب های تخصیص داده شده توسط برچسب گذاران به همان مدارک در وبگاه مندلی 3 درصد، میزان تطابق توصیفگرهای تخصیص داده شده توسط نمایه سازان به مدارک در پایگاه اریک با کلیدواژه های تخصیص داده شده توسط نویسندگان به همان مدارک 4 درصد، و در نهایت، میزان تطابق هرسه زبان مورد مطالعه 1/1 درصد بود. همچنین میزان حضور توصیفگرهای تخصیص داده شده توسط نمایه سازان در اصطلاحنامه اریک 34 درصد بود که از دو گروه نویسنده و برچسب گذار بیشتر است. یافته ها نشان داد که تطابق بیشتری بین واژگان و زبان نویسنده و برچسب گذار نسبت به تطابق بین واژگان و زبان نمایه ساز و برچسب گذار و همچنین تطابق بین واژگان و زبان نویسنده و نمایه ساز وجود دارد . نتایج این پژوهش نشان داد که برچسب گذاران واژه هایی متفاوت از توصیفگر های نمایه سازان و کلیدواژه های نویسندگان استفاده کرده اند، و این نشان دهنده عدم آشنایی سه گروه «نمایه ساز، نویسنده و برچسب گذار» از زبان و واژگان مورد استفاده همدیگر است. پیشنهاد می شود که به منظور جستجوی سودمند و بازیابی اطلاعات در نظام های سنتی نمایه سازی در هنگام کنترل واژه ها و همارایی واژه ها (پیش همارا و پس همارا) زبان کاربر و نویسنده مورد توجه قرار گیرد.