تغییر پارادایم از علم‌سنجی کلاسیک به علم‌سنجی داده‌محور

لیزنا؛ المیرا سفیان، دانشجوی دکتری مدیریت اطلاعات دانشگاه تبریز: علم‌سنجی به‌عنوان یکی از شاخه‌های بنیادین مطالعات علم و فناوری، در آغاز با هدف سنجش کمی تولیدات علمی شکل گرفت. در رویکردهای نخستین، تمرکز اصلی پژوهشگران بر اندازه‌گیری شاخص‌هایی همچون تعداد مقالات، میزان استنادات، شاخص تأثیر مجلات و معیارهایی نظیر h-index قرار داشت. این تحلیل‌ها که عمدتاً مبتنی بر داده‌های کتابشناختی پایگاه‌هایی مانند Web of Science و Scopus بودند، امکان ارزیابی وضعیت تولیدات علمی در سطوح فردی، سازمانی و ملی را فراهم می‌کردند. این مرحله که از آن با عنوان علم‌سنجی کلاسیک یاد می‌شود، ماهیتی توصیفی و شاخص‌محور داشت و بخش مهمی از فعالیت‌های آن به شمارش و مقایسه کمی داده‌های علمی محدود می‌شد.

در این دوره، حجم داده‌های علمی نسبتاً محدود بود و ابزارهای تحلیلی موجود نیز عمدتاً بر روش‌های آماری ساده و الگوهای سنتی تحلیل کتاب‌سنجی استوار بودند. تحلیل‌هایی مانند بررسی الگوهای استنادی، تحلیل هم‌نویسندگی یا تحلیل توزیع مجلات از جمله روش‌های رایج این دوره به شمار می‌رفتند. ابزارهایی چون VOSviewer، CiteSpace، HistCite و نرم‌افزارهای مشابه، امکان ترسیم نقشه‌های علمی و تحلیل شبکه‌های استنادی را فراهم می‌کردند و پژوهشگران می‌توانستند ساختار دانش را در قالب گراف‌های بصری مشاهده کنند. با این حال، این ابزارها محدود به داده‌های ساختاریافته بودند و توانایی تحلیل محتوایی، کاوش الگوهای پنهان یا کار با داده‌های حجیم و پیچیده را نداشتند.

اما با گسترش فناوری‌های اطلاعاتی، دیجیتالی‌شدن فرآیندهای علمی و افزایش شتاب تولید دانش، علم‌سنجی با پدیده‌ای جدید روبه‌رو شد: کلان‌داده‌های علمی (Scientific Big Data). حجم عظیم داده‌ها، تنوع منابع اطلاعاتی، دسترسی به متن کامل مقالات پژوهشی و گسترش زیرساخت‌های محاسباتی، نیاز به رویکردهای تحلیلی پیشرفته‌تر را برجسته کرد. در این شرایط، علم‌سنجی به‌تدریج از مرحله توصیفی گذشته عبور کرد و وارد مرحله‌ای شد که می‌توان آن را علم‌سنجی داده‌محور نامید.

در این رویکرد نوین، تمرکز از "سنجش کمی تولید علم" به سمت تحلیل ساختاری، معنایی و پویایی دانش تغییر یافته است. علم‌سنجی داده‌محور از روش‌های داده‌کاوی، یادگیری ماشین، پردازش زبان طبیعی (NLP) و تحلیل شبکه‌های پیچیده بهره می‌گیرد تا به‌جای اتکا به شاخص‌های ساده، الگوهای پنهان در داده‌های علمی را کشف کرده، روابط میان مفاهیم و پژوهشگران را تحلیل کند و حتی روندهای آینده علم را پیش‌بینی کند.

در این مرحله، برنامه‌نویسی و ابزارهای هوش مصنوعی به ابزارهای ضروری پژوهشگر علم اطلاعات تبدیل شده‌اند. پژوهشگر دیگر صرفاً مصرف‌کننده نرم‌افزارهای آماده مانند VOSviewer نیست؛ بلکه با استفاده از زبان‌هایی همچون Python و R می‌تواند به‌صورت مستقیم و دقیق:

• داده‌های کتابشناختی را استخراج و پاک‌سازی کند،
• شبکه‌های علمی را بسازد و تحلیل کند،
• مدل‌های محاسباتی و پیش‌بینی طراحی کند،
• تحلیل متن و کشف موضوعات پنهان انجام دهد،
• و ساختار و تحول نظام علم را در مقیاس کلان بررسی نماید.

بنابراین، ورود برنامه‌نویسی و هوش مصنوعی به حوزه علم اطلاعات، صرفاً یک تغییر تکنیکی یا ابزارشناختی نیست، بلکه نشانه‌ای از تغییر پارادایم در روش‌شناسی علم‌سنجی است. این تحول، علم‌سنجی را از یک حوزه توصیفی مبتنی بر شاخص‌های کمی، به حوزه‌ای تحلیلی، داده‌محور و پیش‌بینی‌کننده تبدیل می‌کند و امکان تحلیل عمیق‌تر ساختار، تعاملات و پویایی‌های نظام علم را فراهم می‌سازد

پیاده‌سازی محاسباتی تحلیل‌های علم‌سنجی با استفاده از پایتون

در ادامه، به برخی از مهم‌ترین قابلیت‌های پایتون در فرایند استخراج، پردازش و تحلیل داده‌های کتابشناختی پرداخته می‌شود. این قابلیت‌ها نشان می‌دهند که چگونه پایتون می‌تواند به‌عنوان یک محیط محاسباتی قدرتمند، فراتر از محدودیت‌های ابزارهای سنتی مانند VOSviewer عمل کرده و امکان کنترل، دقت و انعطاف‌پذیری بیشتری را در تحلیل داده‌های علمی فراهم آورد. بر این اساس، در بخش‌های بعدی به نمونه‌هایی از کاربردهای پایتون در استخراج داده‌ها، پیش‌پردازش و پاک‌سازی داده‌ها، ساخت شبکه‌های علمی، تحلیل شاخص‌های شبکه و بصری‌سازی نتایج پرداخته می‌شود

1. استخراج داده‌های کتابشناختی

در پایتون:

• بارگذاری داده‌های Web of Science / Scopus با Pandas
• خواندن فرمت‌های BibTeX، RIS، CSV، TXT

نمونه ساده کد در پایتون[1]:

• ادغام چند پایگاه داده
• 

معادل در VOSviewer:

• مرحله Create → Bibliographic Data → Read data from files

ادغام چند پایگاه داده، پاک‌سازی پیشرفته یا پردازش سفارشی داده‌ها را ارائه نمی‌دهد؛ در حالی که در محیط پایتون این عملیات به‌صورت کامل قابل انجام است

پیش‌پردازش و پاک‌سازی داده‌ها

در پایتون:

• حذف نویسندگان تکراری
• حذف stopwordها
• استانداردسازی کلیدواژه‌ها
• حذف نویسندگان یا کلیدواژه‌های با فرکانس پایین
• نرمال‌سازی داده‌ها
  نمونه ساده کد در پایتون:
• 

معادل در VOSviewer:

• تنظیمات Thesaurus File برای اصلاح اسامی و کلیدواژه‌ها
• Threshold تنظیم هم‌آیندی یا هم‌استنادی
• Filtering بر اساس تعداد رخداد

اما:

• پاک‌سازی پیچیده (مثل fuzzy matching یا NLP) در VOSviewer ممکن نیست
• در پایتون نامحدود و کاملاً قابل سفارشی‌سازی است

ساخت شبکه علمی

در پایتون:

• ساخت شبکه هم‌واژگانی (co‑word)
• هم‌نویسندگی (co‑authorship)
• هم‌استنادی (co‑citation)
• تحلیل هم‌رخدادی با itertools + Counter
• ساخت گراف با  NetworkX

معادل در VOSviewer:

• بخش Create Maps Based on → Co‑authorship, Co‑occurrence, Co‑citation
• VOSviewer این شبکه‌ها را خودکار می‌سازد
• پایتون این شبکه‌ها را کامل‌تر، دقیق‌تر و قابل کنترل‌تر می‌سازد

تحلیل شاخص‌های شبکه

در پایتون:

• محاسبه شاخص‌های مرکزیت:
• Degree Centrality
• Betweenness Centrality
• Closeness Centrality
• Eigenvector Centrality
• خوشه‌بندی با Louvain / Leiden

معادل در VOSviewer:

• نمایش Cluster Colors
• محاسبه وزن، link strength و تعداد روابط
• اما:
• شاخص‌های مرکزیت ارائه نمی‌شود
• الگوریتم‌های پیشرفته شبکه (Louvain/Leiden) قابل تغییر نیست

پس:

پایتون در این مرحله صدها برابر قدرتمندتر است.

بصری‌سازی نتایج

در پایتون:

• Visualization با Matplotlib, Plotly, PyVis
• نقشه‌های تعاملی
• داشبورد با Streamlit یا Dash

معادل در VOSviewer:

• بخش Visualization → Network Visualization
• یکی از بهترین ابزارها برای نمایش شبکه
• مزایا:
• کنترل مقیاس
• layout اختصاصی (VOS Layout)
• رنگ‌بندی خوشه‌ها
• density view

 

مرحله	پایتون	معادل در VOSviewer
استخراج داده	بسیار قدرتمند	فقط بارگذاری
پاک‌سازی	پیشرفته، قابل‌برنامه‌ریزی	محدود به Thesaurus
ساخت شبکه	کاملاً قابل سفارشی‌سازی	خودکار اما محدود
تحلیل شبکه	بسیار پیشرفته	محدود (صرفاً وزن‌ها و خوشه‌ها)
Visualization	خوب	عالی و تخصصی

 

چالش‌ها و نیازهای ضروری برای استقرار کامل علم‌سنجی داده‌محور

گذار از علم‌سنجی کلاسیک به علم‌سنجی داده‌محور یک تحول سطحی یا ابزارمحور نیست، بلکه تغییری پارادایمی در ماهیت، روش‌شناسی و مهارت‌های موردنیاز پژوهشگران است. با وجود رشد چشمگیر داده‌های علمی، توسعه زیرساخت‌های محاسباتی و ظهور روش‌هایی همچون یادگیری ماشین و پردازش زبان طبیعی، استقرار کامل این پارادایم با چالش‌های بنیادینی روبه‌رو است. این چالش‌ها را می‌توان در چهار محور اساسی دسته‌بندی کرد:

شکاف مهارتی: کمبود مهارت‌های محاسباتی در میان پژوهشگران علم‌سنجی

بزرگ‌ترین مانع در مسیر استقرار علم‌سنجی داده‌محور را می‌توان در فقدان توانمندی‌های محاسباتی در میان بخش قابل توجهی از پژوهشگران حوزه علم اطلاعات جست‌وجو کرد. در حالی‌که تحولات اخیر در علم‌سنجی به‌شدت متکی بر تحلیل داده‌های حجیم، روش‌های محاسباتی و فناوری‌های پیشرفته تحلیلی است، بسیاری از متخصصان این حوزه همچنان به ابزارهای کلاسیک مانند VOSviewer، CiteSpace یا HistCite وابسته‌اند. این ابزارها اگرچه برای ترسیم نقشه‌های علم و تحلیل‌های کتاب‌سنجی سنتی بسیار مفید هستند، اما در مواجهه با حجم گسترده داده‌ها، تحلیل‌های پیچیده و نیازهای روش‌شناختی جدید علم‌سنجی داده‌محور محدودیت‌های قابل توجهی دارند.

علم‌سنجی داده‌محور مستلزم آن است که پژوهشگران علاوه بر دانش نظری حوزه، به مجموعه‌ای از مهارت‌های محاسباتی و تحلیلی پیشرفته نیز مجهز باشند. از جمله این مهارت‌ها می‌توان به تسلط بر زبان‌های برنامه‌نویسی مانند Python و R اشاره کرد که امکان استخراج، پاک‌سازی و تحلیل داده‌های علمی را در مقیاس بزرگ فراهم می‌کنند. همچنین کار با کتابخانه‌های تخصصی تحلیل داده مانند Pandas، NumPy و SciPy برای پردازش داده‌ها و انجام تحلیل‌های آماری و محاسباتی ضروری است. در کنار این موارد، تحلیل شبکه‌های پیچیده با استفاده از ابزارهایی مانند NetworkX و iGraph اهمیت زیادی دارد، زیرا بسیاری از ساختارهای علمی ـ از شبکه‌های استنادی گرفته تا شبکه‌های هم‌نویسندگی و هم‌واژگانی ـ ماهیتی شبکه‌ای دارند و فهم آن‌ها بدون روش‌های تحلیل شبکه امکان‌پذیر نیست.

از سوی دیگر، با گسترش دسترسی به متن کامل مقالات علمی، پردازش زبان طبیعی (NLP) به یکی از ابزارهای کلیدی در تحلیل محتوایی متون علمی تبدیل شده است. این فناوری امکان استخراج مفاهیم، شناسایی موضوعات پنهان و تحلیل معنایی حجم گسترده‌ای از متون علمی را فراهم می‌کند. علاوه بر این، استفاده از روش‌های یادگیری ماشین و مدل‌های پیش‌بینی می‌تواند به شناسایی روندهای نوظهور علمی، تحلیل پویایی حوزه‌های پژوهشی و پیش‌بینی مسیرهای احتمالی تحول دانش کمک کند. در چنین چارچوبی، طراحی و مدیریت pipelineهای پردازش داده نیز اهمیت پیدا می‌کند، زیرا تحلیل داده‌های علمی در مقیاس بزرگ مستلزم جریان‌های کاری منظم برای گردآوری، پاک‌سازی، یکپارچه‌سازی، تحلیل و اعتبارسنجی داده‌ها است. در نهایت، درک اصول مدل‌سازی داده و روش‌های اعتبارسنجی تحلیل‌های کلان‌داده نیز از الزامات اساسی این حوزه به شمار می‌رود. بدون توسعه نظام‌مند این مجموعه مهارت‌ها و ایجاد زیرساخت‌های آموزشی مناسب، حرکت علم‌سنجی به سوی رویکرد داده‌محور با محدودیت‌های جدی مواجه خواهد شد

الزامات رفع چالش

بازنگری عمیق در سرفصل‌های آموزشی دانشگاه‌ها، طراحی دوره‌ها و کارگاه‌های پروژه‌محور، ارتقای همکاری میان علم‌سنجی، علوم داده و مهندسی کامپیوتر

کمبود چارچوب‌های روش‌شناختی و مدل‌های نظری در علم‌سنجی داده‌محور

در حالی‌که علم‌سنجی کلاسیک از پشتوانه‌ای قوی در روش‌شناسی، چارچوب‌های نظری و الگوهای تحلیلی برخوردار است، علم‌سنجی داده‌محور هنوز در مرحله تکوین قرار دارد و برای تبدیل شدن به یک پارادایم علمی پایدار، نیازمند بنیان‌های نظری و مدل‌های تحلیلی جدید است. تحلیل علم مبتنی بر کلان‌داده‌ با چالش‌هایی مواجه است؛ از جمله نبود نظریه‌های جامع برای فهم ساختار و پویایی علم در مقیاس کلان، فقدان استانداردهای بازتولیدپذیری در تحلیل‌های مبتنی بر پردازش زبان طبیعی و یادگیری ماشین، ضعف روش‌های موجود در مدل‌سازی شبکه‌های پویا و پیش‌بینی روندهای علمی، و نبود معیارهای معتبر برای ارزیابی عملکرد مدل‌های تحلیلی مبتنی بر متن و الگوریتم‌های پیش‌بینی. این کمبودها نشان می‌دهد که علم‌سنجی داده‌محور برای تثبیت جایگاه خود به مجموعه‌ای از تحولات نظری و روش‌شناختی احتیاج دارد. از جمله این نیازها می‌توان به توسعه نظریه‌هایی اشاره کرد که متناسب با پیچیدگی و پویایی ساختار علم طراحی شده باشند، ایجاد چارچوب‌های قابل اتکا برای تحلیل متن در مقیاس کلان، تحلیل شبکه‌های چندلایه و پویا، مدل‌سازی پیش‌بینی روند تولید علم و نیز توسعه گراف‌های دانش. همچنین ضروری است قواعد روشنی برای صحت‌سنجی، ردیابی‌پذیری و تکرارپذیری نتایج تحلیل‌های مبتنی بر داده‌های کلان تدوین شود تا اعتماد علمی به این رویکرد تقویت گردد.

در چنین زمینه‌ای، نقش پژوهشگر علم‌سنجی نیز دستخوش تغییر اساسی شده است. در فضای رقابتی و داده‌محور امروز، پژوهشگر تنها یک تحلیل‌گر نیست، بلکه باید به نوآوری روش‌شناختی و توسعه فناوری نیز بپردازد.

نیازهای این حوزه

تقویت همکاری میان علم‌سنجی، علوم داده، مهندسی کامپیوتر و هوش مصنوعی،ایجاد مسیرهای شغلی و پژوهشی جدید در حوزه ابزارسازی

نتیجه گیری

تحول علم‌سنجی از رویکرد کلاسیک به علم‌سنجی داده‌محور صرفاً به معنای تغییر ابزارها یا تکنیک‌های تحلیلی نیست، بلکه بیانگر یک دگرگونی مفهومی و پارادایمی در شیوه فهم، تحلیل و مدیریت نظام علم است. در این گذار، گسترش داده‌های عظیم علمی، توسعه زیرساخت‌های محاسباتی و پیشرفت فناوری‌هایی مانند پردازش زبان طبیعی، یادگیری ماشین و تحلیل شبکه‌های پیچیده نقش تعیین‌کننده‌ای داشته‌اند. در چنین چارچوبی، نقش پژوهشگر علم‌سنجی نیز دچار تحول شده است؛ به‌گونه‌ای که پژوهشگر دیگر صرفاً تحلیل‌گر داده‌های کتابشناختی نیست، بلکه باید به طراح مدل‌های تحلیلی، معمار داده و توسعه‌دهنده ابزارهای هوشمند برای مطالعه ساختار و پویایی علم تبدیل شود.

در این شرایط، لزوماً نیازی به ایجاد گرایشی مستقل با عنوان «هوش مصنوعی در علم اطلاعات» وجود ندارد. آنچه اهمیت دارد، بازاندیشی در ابزارها، روش‌ها و مهارت‌های مورد استفاده در حوزه‌هایی مانند علم‌سنجی است. به بیان دیگر، به‌جای افزودن یک گرایش جدید، می‌توان با به‌روزرسانی روش‌های علم‌سنجی و ادغام فناوری‌های هوش مصنوعی در چارچوب‌های موجود، مسیر تحول این حوزه را هموار کرد. ورود ابزارهای محاسباتی، کتابخانه‌های تحلیل داده و الگوریتم‌های یادگیری ماشین به مطالعات علم‌سنجی می‌تواند ظرفیت‌های تحلیلی این حوزه را به‌طور چشمگیری گسترش دهد.

در عصر حاضر که هوش مصنوعی به یکی از محرک‌های اصلی تحول در حوزه‌های مختلف دانش تبدیل شده است، علم‌سنجی داده‌محور می‌تواند بستری مناسب برای پیوند میان علم اطلاعات و علوم داده فراهم کند. این حوزه در نقطه تلاقی سه قلمرو مهم قرار دارد: علم، داده و هوش مصنوعی. چنین جایگاهی امکان آن را فراهم می‌کند که پژوهشگران نه‌تنها ساختار و الگوهای گذشته علم را تحلیل کنند، بلکه بتوانند روندهای تحول دانش را شناسایی کرده و حتی مسیرهای احتمالی توسعه علمی را مدل‌سازی نمایند.

در این میان، ترکیب دانش علم‌سنجی با مهارت‌هایی مانند برنامه‌نویسی، تحلیل داده و مدل‌سازی محاسباتی می‌تواند افق‌های تازه‌ای برای پژوهشگران این حوزه ایجاد کند. بهره‌گیری از زبان‌های برنامه‌نویسی مانند Python و R و استفاده از کتابخانه‌هایی نظیر Pandas، Scikit‑learn، NetworkX، PyTorch و ابزارهای پردازش زبان طبیعی می‌تواند امکان تحلیل داده‌های علمی در مقیاس بزرگ، استخراج الگوهای پنهان در متون علمی و مدل‌سازی شبکه‌های پیچیده علم را فراهم کند. چنین رویکردی علم‌سنجی را از یک حوزه عمدتاً توصیفی به حوزه‌ای تحلیلی و پیش‌بینانه ارتقا می‌دهد.

در فضای علوم انسانی، ورود هوش مصنوعی اغلب با نگرانی‌هایی درباره سوگیری‌های الگوریتمی، مسائل اخلاقی و پیامدهای اجتماعی آن همراه است. این دغدغه‌ها بی‌تردید اهمیت دارند و بخش مهمی از مباحث نظری معاصر را تشکیل می‌دهند. با این حال، تمرکز این بحث بر جنبه‌ای متفاوت است؛ یعنی بررسی ظرفیت‌ها و امکانات روش‌شناختی هوش مصنوعی برای توسعه مطالعات علم‌سنجی. در این چارچوب، هدف اصلی نه ورود به مباحث نظری گسترده درباره پیامدهای اجتماعی هوش مصنوعی، بلکه توجه به کاربردهای عملی، ابزارهای تحلیلی و روش‌های محاسباتی است که می‌توانند به فهم عمیق‌تر ساختار و پویایی نظام علم کمک کنند.

از این منظر، توسعه علم‌سنجی داده‌محور را می‌توان یکی از مسیرهای مهم تحول در حوزه علم اطلاعات دانست؛ مسیری که با ادغام روش‌های پیشرفته تحلیل داده، الگوریتم‌های یادگیری ماشین و ابزارهای محاسباتی در چارچوب علم‌سنجی، ظرفیت آن را دارد که این رشته را به یکی از حوزه‌های اثرگذار در تحلیل، پایش و حتی پیش‌بینی تحولات نظام علم در سطح جهانی تبدیل کند. شاید بتوان گفت علم‌سنجی داده‌محور در واقع پلی است میان علم اطلاعات سنتی و رویکردهای نوین علوم داده و هوش مصنوعی؛ پلی که می‌تواند آینده پژوهش در این حوزه را بازتعریف کند.

در یادداشت‌های آتی با موضوع«پایتون و کتابخانه‌های آن؛ ابزارهای نسل جدید فهرست‌نویسی»با ما همراه باشید

---------------------------------

 منابع

 Hamdipour, A., Safyan, E., & Pereira, V. (2025). Mapping the scientific literature on the metaverse and artificial intelligence in the Web of Science database. Paper presented at the ECDC 2025 Conference on e‑Commerce with a focus on AI, IoT, Metaverse and e‑Business, Shiraz, Iran

Saarela, M., Correia, A., & Kärkkäinen, T. (2025). Explainable and interactive scientometrics with Large Language Models and Knowledge Graphs [Conference presentation]. In Proceedings of the 9th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara, Turkey, 14–16 November 2025. IEEE.

Thelwall, M. (2025). Research quality evaluation by AI in the era of large language models: Advantages, disadvantages, and systemic effects. Scientometrics, 130(10), 5309–5321.

Zhang, Y., Zhang, C., & Kousha, K. (2025). Editorial: Artificial intelligence for scientometrics (Part I). Scientometrics, 130(10), 5281–5284.

 

[1] در کتاب گام عملی پایتون برای کتابداران به نویسندگی خانم سفیان و خانم دکترزرداری و ...به زودی  نگارشش به اتمام رسانده میشود  و روانه بازار خواهد شد