پیش بینی آینده کتابخانه و علوم اطلاعات و زمینه های زیر آن

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثلپیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از مجوز از دارنده حق چاپ استفاده کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

چکیده پیش بینی آینده کتابخانه و علوم اطلاعات و زمینه های زیر آن

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثلپیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از مجوز از دارنده حق چاپ استفاده کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

چکیده برای آینده کتابخانه و علوم اطلاعات و زمینه های زیر آن

دسترسی آزاد این مقاله تحت مجوز بین المللی Creative Commons Attribution 4. 0 مجوز است ، که اجازه می دهد تا زمانی که اعتبار مناسبی را به نویسنده اصلی (ها) و منبع بدهید ، استفاده ، اشتراک ، سازگاری ، توزیع و تولید مثلپیوندی به مجوز Creative Commons ارائه دهید و نشان دهید که آیا تغییراتی ایجاد شده است. تصاویر یا سایر مطالب شخص ثالث در این مقاله در مجوز Creative Commons مقاله گنجانده شده است ، مگر اینکه در یک خط اعتباری به مطالب مشخص شود. اگر مطالب در مجوز Creative Commons در مقاله گنجانده نشده باشد و استفاده در نظر گرفته شده شما توسط مقررات قانونی مجاز نیست یا از استفاده مجاز فراتر می رود ، باید مستقیماً از مجوز از دارنده حق چاپ استفاده کنید. برای مشاهده نسخه ای از این مجوز ، به http://creativeecommons. org/licenses/by/4. 0/ مراجعه کنید.

خلاصه

پیش بینی یکی از روشهای اعمال شده در بسیاری از مطالعات در زمینه کتابخانه و علوم اطلاعات (LIS) برای اهداف متعدد ، از پیش بینی های برنده های نوبل بعدی گرفته تا پیشرفت های بالقوه فن آوری است. این مطالعه با تجزیه و تحلیل 97 سال از انتشار و استناد به الگوهای استناد ، به دنبال ترسیم تصویری برای آینده فیلد LIS و زمینه های زیر آن بود. از شبکه اصلی شاخص های علمی به عنوان منبع داده استفاده شد و 123،742 مقاله برای تجزیه و تحلیل سریال های زمانی در عمق مورد بررسی قرار گرفتند. از روش تجزیه و تحلیل شبکه اجتماعی برای طبقه بندی زیر میدان استفاده شد. این زمینه به چهار حوزه زیر تقسیم شده است: (1) کتابداری و کتابداری حقوق ، (2) اطلاعات بهداشتی در LIS ، (3) علم سنجی و بازیابی اطلاعات و (4) سیستم های مدیریت و اطلاعات. نتایج این مطالعه نشان می دهد که مزارع زیر LIS از نظر الگوهای انتشار و استناد آنها کاملاً متفاوت هستند و تمام زمینه های زیر پویایی متفاوتی دارند. علاوه بر این ، تعداد نشریات ، منابع و استناد به استناد به میزان قابل توجهی در آینده افزایش می یابد. انتظار می رود که محققان بیشتری با هم کار کنند. موضوعات آینده در زمینه LIS تنوع حیرت انگیز از اخبار جعلی گرفته تا مجلات درنده ، دولت آزاد ، یادگیری الکترونیکی و سوابق بهداشت الکترونیکی را نشان می دهد. با این حال ، یافته ها ثابت می کند که انتشار یا هلاک فرهنگ ، این زمینه را شکل می دهد. بنابراین ، فراتر از اعداد مهم است. این تنها با درک الگوهای انتشار و استناد به این زمینه و تدوین سیاست های تحقیقاتی بر این اساس قابل دستیابی است.

کلمات کلیدی: پیش بینی ، کتابخانه و علوم اطلاعات ، تجزیه و تحلیل زیر میدان ، تفاوت های انضباطی ، تجزیه و تحلیل سری زمانی

معرفی

قیمت (1963 ص 19 ، 1974 ، ص 166) ، بیش از نیم قرن پیش پیش بینی می کرد که اگر رشد نمایی علم بزرگ ادامه یابد ، ما می توانیم در آینده دو دانشمند برای هر شخص و سگ در جمعیت داشته باشیم و مامی تواند تا دهه 2000 یک میلیون ژورنال دانشگاهی داشته باشد. امروزه به طور متوسط 2. 3 ٪ از محصولات ناخالص ملی در سراسر جهان به فعالیتهای تحقیق و توسعه اختصاص داده شده است (بانک جهانی 2018) و 8. 5 از هر 1000 کارگر به عنوان یک محقق (سازمان همکاری اقتصادی و توسعه 2020) به کار می رود. تعداد کل ژورنال های فعال منتشر شده در سراسر جهان 380. 299 است (Ulrichsweb Serials Directory 2020) ، و حداقل 73،299،923 مقاله از زمان انتشار Price منتشر شده است ، علم بزرگ در سال 1963 منتشر شده است. 1 یکی از بزرگترین نگرانی های قیمت این بود که اگر رشداز علم بزرگ به این روش ادامه یافت ، هیچ دانشمندی وجود نخواهد داشت که بتواند هر مقاله را بخواند (1974 ، ص 165). حتی اگر ما به تعداد ژورنال های تخمین زده شده بر اساس قیمت نرسیده ایم ، بازده های علمی هنوز به سرعت در حال افزایش است و پیروی از آن از همیشه دشوارتر است. در حقیقت ، 90 ٪ مقالات تحقیقاتی هرگز ذکر نشده است ، و 50 ٪ از مقالات تحقیقاتی منتشر شده هرگز توسط شخص دیگری غیر از نویسندگان ، داوران و ویراستاران خوانده نمی شود (Tripathy and Tripathy 2017 ، p. 198).

یکی از مهمترین مشکلات ناشی از علم بزرگ ، نابرابری شیوه های علمی در زمینه های مختلف است. علوم بزرگ نیاز به بودجه های بزرگ ، گروه های تحقیقاتی متنوع با تعداد زیادی از کارکنان و آزمایشگاه های بزرگ دارد. هزینه های بالای علم بزرگ یک تعامل مداوم بین سیستم وضعیت ایجاد می کند ، که به افتخار و عزت و عزت و کلاس بستگی دارد (مرتون 1968 ، ص 57). به گفته آلیسون و استوارت (1974 ، ص 599) ، چندین نشریه و استناد به این نابرابری تحت تأثیر قرار می گیرند. یکی از مشکلاتی که این نابرابری را ایجاد می کند ، تفاوت های انضباطی است: بهره وری نویسندگان به نظم و انضباط کار ، محبوبیت و تجربه آنها بستگی دارد (آلیسون 1980 ؛ مرتون 1968). حتی امروز ، Big Science یک مزیت تجمعی را برای برخی از دانشمندان و رشته ها فراهم می کند. این مزیت تجمعی ، به نوبه خود ، بر توزیع صندوق های علمی (بول و همکاران 2018) و سایر تصمیمات شغلی علمی تأثیر می گذارد (پیترسن و پنر 2014). پاداش های علمی بسیار نابرابر تر از سایر نتایج بهزیستی توزیع می شوند (Xie 2014 ، ص 810). به همین دلایل ، ویژگی های کلی هر رشته باید درک شود و تصمیمات باید مطابق با این خصوصیات اتخاذ شود تا بتواند در ارزیابی های تحقیق تصمیمات درستی اتخاذ کند.

از طریق بررسی توسعه زمینه LIS ، همان نابرابری را می توان مشاهده کرد. با گذشت سالها ، مطالعات نشان داده اند که اگرچه این زمینه در علوم اجتماعی نسبتاً ناچیز است ، اما دارای چندین زمینه زیر است و ویژگی های این زمینه های زیر از نظر انتشار و الگوهای استناد ، ساختارهای نویسندگی ، با یکدیگر متفاوت استفرکانس های تولید ، و غیره (Åström 2010 ؛ Moya-Anegón و همکاران 2006 ؛ وایت و مک کین 1998). علاوه بر این ، توسعه میدان های فرعی به طور مستقیم تحت تأثیر زمان و روند قرار می گیرد. به عنوان مثال ، تعداد مقالاتی که با استفاده از اصطلاحاتی مانند "فناوری اطلاعات" ، "تجزیه و تحلیل شبکه های اجتماعی" یا "استناد" در سالهای اخیر افزایش یافته است ، اما مباحث سنتی کتابداری مانند کتابداری ، بایگانی یا فهرست نویسی روند کاهش یافته است (Larivièreو همکاران 2012 ، صص 1006-1009). در حالی که این می تواند برای برخی از مزارع زیر سود داشته باشد ، اما بر دید مزارع سنتی تر تأثیر می گذارد و باعث توزیع نابرابر وجوه و منابع می شود.

هدف اصلی این مطالعه تعیین میدان های زیر میدان LIS ، آشکار کردن پتانسیل های این زمینه ها و پیش بینی های هر قسمت زیر است. این امر شیوه های مختلف علمی را در همان رشته برجسته می کند ، که باید هنگام تصمیم گیری مورد توجه قرار گیرد. سوالات تحقیق به شرح زیر است:

ساختار فعلی میدان LIS و مزارع زیر آن چیست؟آیا بین مزارع زیر و الگوهای انتشار/استناد تفاوت معنی داری وجود دارد؟

براساس پیش بینی 10 ساله با استفاده از اطلاعات انتشار تولید شده در زمینه LIS ، چه اندازه در تعداد نشریات آینده انتظار می رود؟

آیا پیش بینی تعداد استنادهای آینده امکان پذیر است؟پتانسیل استناد به زیر میدان چیست؟

بررسی ادبیات

بررسی ادبیات در دو بخش اصلی سازماندهی شده است. بخش اول توزیع موضوع مقالات منتشر شده در زمینه LIS را ارائه می دهد که از تجزیه و تحلیل سری های زمانی استفاده می کنند. در بخش دوم ، مطالعات مختلف با استفاده از تجزیه و تحلیل سری زمانی در زمینه های ارتباطات علمی و ارزیابی تحقیق خلاصه می شود. توضیح در مورد استفاده از تجزیه و تحلیل سری زمانی در بخش متدولوژی آورده شده است.

مطالعات تجزیه و تحلیل سری زمانی در LIS

تجزیه و تحلیل سری زمانی در ادبیات LIS به کار رفته است تا پیش بینی چهار زیر موضوعات مختلف را ارائه دهد: کتابشناسی ، علوم بهداشتی ، مدیریت و رسانه های اجتماعی. برای تعریف زمینه های اصلی کاربرد تجزیه و تحلیل سری زمانی در زمینه LIS ، 452 مقاله منتشر شده در LIS و فهرست بندی شده در وب علوم مورد بررسی قرار گرفت. 2 (شکل 1 1 را ببینید).

بیشتر کلمات کلیدی مورد استفاده مطالعات تجزیه و تحلیل سری زمانی در LIS (نمودار آفتابگردان با استفاده از استودیوی شکوفا (https://app. flourish. studio/) ایجاد شده است. وقایع کلمات کلیدی با استفاده از VOSVIEWER محاسبه می شود. قبل از محاسبه ، فرایند استاندارد سازی کلید واژه هاانجام شد.)

مقاله ای از بیتس و همکاران.(1999) با استناد به 768 استنادهای خود در مجموعه داده ها ، که شامل نشریات فهرست بندی شده در بخش علوم اطلاعات و علوم کتابخانه است ، استناد به مقاله خود است. در این مقاله تأثیر ورودی های سفارش پزشک رایانه ای برای کاهش تعداد خطاهای دارویی ارزیابی شده است. نویسندگان از تجزیه و تحلیل سری زمانی آینده نگر برای محاسبه اثربخشی سیستم های رایانه ای برای داروها استفاده کردند. در نتیجه ، مشخص شده است که سیستم های رایانه ای منجر به کاهش زیاد خطاهای دارویی می شوند. دومین مقاله ذکر شده (372 استناد) داده های سری زمانی را برای بررسی محصولات آنلاین ارزیابی کرد تا اثرات کلمه دهان را در خرید آنلاین درک کند (لی و هیت 2008). سومین مقاله ذکر شده (283 استناد) توسط بنیانگذار Citespace و همکارانش نوشته شده است (چن و همکاران 2010). نویسندگان از تجزیه و تحلیل سری زمانی برای معرفی یک روش جدید تجزیه و تحلیل هماهنگی چند ساله برای ادبیات علوم اطلاعات استفاده کردند. مقالات بیشتر از سه زیر موضوعی مختلف ، تنوع موضوع نشریات را نشان می دهد که از روش ها و تکنیک های تجزیه و تحلیل سری زمانی استفاده می کنند.

مطالعات کتاب مقدس با استفاده از تجزیه و تحلیل سری زمانی بر ارزیابی های تحقیق ، شاخص های کتابشناختی و تجسم های علمی متمرکز است. این مطالعات به دنبال آشکار کردن رابطه بین استنادهای اولیه و مزیت تجمعی هستند (آدامز 2005) ، ارزیابی اثربخشی سیستم های پشتیبانی پولی (TONTA 2018) ، درک مسیرهای استناد برندگان جایزه نوبل در اقتصاد (Bjork و همکاران 2014) ، تجسم می کنندیا ساختار فکری رشته ها (MA 2012) یا رویدادها (Clausen and Wormell 2001) را کشف کنید ، تکامل مباحث تحقیق را تجزیه و تحلیل کنید (وو و همکاران 2014) ، پیش بینی شمارش استناد (Abrishami و Aliakbary 2019) ، مشاهده اثرات سیاست علمیتغییرات در تعداد نشریات (Baskurt 2011) ، فعالیت های تحقیقاتی پیش بینی (Bildosola و همکاران 2017) ، تشخیص مقالات نوظهور/پیشرو (Iwami و همکاران 2014) و ارزیابی معیارهای تحقیقاتی (لیو و روسو 2008 ؛ یو و روسو 2008). تکنیک های تجزیه و تحلیل سری زمانی از اوایل دهه 1990 در مطالعات کتابشناسی استفاده شده است و هنوز هم یکی از روشهای ارجح در ادبیات است. دلیل اصلی این انتخاب ممکن است توسط مأموریت سیاست گذاری ارزیابی های تحقیق توضیح داده شود. به دنبال تأثیر تغییرات سیاست تحقیق یا تشخیص تعداد استناد به آینده ، یافته های مهمی را برای سیاست گذاران برای تقویت فرایندهای ارزیابی فراهم می کند.

تجزیه و تحلیل سری زمانی نیز در مقالات مربوط به اطلاعات بهداشتی استفاده شده است. در سالهای اخیر ، مطالعات مربوط به اطلاعات بهداشتی بر ارزیابی سوابق سلامت الکترونیکی ، پیش بینی خطرات بهداشتی (Perrote و همکاران 2015) ، بهینه سازی قوانین هشدار دهنده تعامل با دارو و مواد مخدر با استفاده از سوابق بهداشت الکترونیکی (Simpao و همکاران 2015) ، درک اطلاعات متمرکز شده است. به دنبال رفتارهای مربوط به موضوعات بهداشتی (هورتا و همکاران 2016) و نظارت بر مباحث بهداشت روان در توییتر (مک کلان و همکاران 2017). کل جهان شاهد پیش بینی های طولانی و کوتاه مدت در مورد موضوعات بهداشتی مهم در طی 19 بار مهم بوده است. انتظار می رود در آینده شاهد انفجار نشریه در این زمینه باشد. مطالعاتی که پیش بینی می کند در مورد موضوعات مختلف مربوط به COVID-19 در ادبیات منتشر شده است (به عنوان مثال جیانگ و همکاران 2020 ؛ سالگوترا و همکاران 2020). اگرچه بسیاری از "ناشناخته های ناشناخته" در مورد ویروس وجود دارد ، اما تجزیه و تحلیل سری زمانی با ارائه طیف وسیعی از سناریوها در بین سیاستگذاران محبوبیت بیشتری پیدا می کند (Grogan 2020).

اقتصاد و مدیریت زیر موضوعات LIS نیز با استفاده از تجزیه و تحلیل سری زمانی تحقیقات انجام می شود. این مقالات بر زیرساخت های ارتباطات و روابط آن با رشد/فعالیت اقتصادی متمرکز شده اند (کرونین و همکاران 1991 ؛ دوتا 2001) ، انتشار داده های سرشماری اقتصادی (زایست 1998) و تشخیص زودهنگام یک حباب اقتصادی (دیمیتریف و همکاران 2017). آخرین گروه موضوع ، رسانه های اجتماعی ، می تواند به عنوان بخشی از موضوع مدیریت پذیرفته شود. در عصر رسانه های اجتماعی ، پیش بینی های مربوط به داده های بزرگ (Niu et al. 2017 ؛ Saboo et al. 2016) ، تجزیه و تحلیل رسانه های اجتماعی (لوو و ژانگ 2013 ؛ ژانگ و همکاران 2019) ، کلمه دهان (لی هیت 2008) وتجزیه و تحلیل انتخابات در توییتر (Conway و همکاران 2015) برخی از موضوعات مهم تحقیق هستند.

تنوع موضوعی مطالعات LIS که از تجزیه و تحلیل سری های زمانی استفاده کرده اند ، نشان می دهد که این یک روش اساسی برای محققان کار در این زمینه است و محدود به پیش بینی نیست. در این مطالعه ، هدف اصلی استفاده از تجزیه و تحلیل سری زمانی ، پیش بینی در مورد خروجی های تحقیق برای زمینه LIS بود.

انواع پیش بینی در زمینه ارتباطات علمی و کتابشناسی

پیش بینی آینده یکی از موضوعات متداول در مورد کتابهای کتابشناختی و ارزیابی تحقیق است. پیش بینی ها اغلب با در نظر گرفتن الگوهای انتشار و استناد ، برآورد برندهای جایزه نوبل انجام می شود. گروه Web of Science این مکانیزم پیش بینی مشهور را برای نوبل ها از سال 2002 فراهم کرده است (Bourke-Waite 2019). از سال 1970 ، میلیون ها نشریه و استناد به این مقالات ارزیابی شده و تخمین هایی انجام شده است. تا سال 2019 ، 50 برنده جایزه نوبل که در لیست برندگان استناد بودند برنده جایزه نوبل شدند. از این تعداد ، 29 محقق طی 2 سال از نامزد شدن این جایزه را دریافت کردند. علاوه بر گروه Web of Science ، مقالات بی شماری دیگر در ادبیات برای پیش بینی برندگان جایزه نوبل منتشر شده است (به عنوان مثال ، اشتون و اوپنهایم 1978 ؛ Claes and De Ceuster 2013 ؛ Siegel 2019) ؛با این حال ، گینگراس و والاس (2010) نسبت به محدودیت ابزارهای کتابشناسی برای پیش بینی برندگان جایزه نوبل به دلیل رشد سریع رشته ها و اثر هاله هشدار دادند.

یکی دیگر از حوزه های مهم تحقیقات پیش بینی ، تخمین تعداد آینده نشریات و استنادها با استفاده از ابزارها ، تکنیک ها و دیدگاه های مختلف است. لیدسدورف (1990) در صدد تخمین عملکرد ملی کشورهای EEC (جامعه اقتصادی اروپا) و ایالات متحده با استفاده از مدلهای تجزیه و تحلیل سری زمانی بود. وی دریافت که پیش بینی آمار انتشار سال بعد امکان پذیر است. در روسو (1994) یک مدل نمایی مضاعف برای فرآیندهای استناد اول ارائه داد. وی با هدف یافتن مدلی برای استنادهای اول ، و او دو مدل را پیشنهاد کرد تا تعداد کل مقالات را در یک گروه ثابت پیش بینی کند که تا کنون استناد شود. در بورل (2003) تئوری مدلهای تصادفی را برای پیش بینی الگوهای استناد به آینده مقالات فردی تهیه کرد. وی دریافت که تعداد استناد مورد انتظار یک تابع خطی از تعداد فعلی است ، بنابراین اثبات "موفقیت در نژادهای موفقیت" را اثبات می کند.

چن (2012) یک مدل نظری و محاسباتی را برای پیش بینی استنادهای آینده با استفاده از سه معیار ارائه داد: میزان تغییر مدولار ، پیوند خوشه ای و واگرایی مرکزیت. نتایج نشان می دهد که این مدل می تواند استناد به آینده را با موفقیت پیش بینی کند. همچنین ، آمار همکاری نویسندگان و تعداد منابع پیش بینی کننده خوبی از استنادهای جهانی بود.

از دیدگاه استناد ، عباسی و همکاران.(2011) مدلی را برای شناسایی اثرات شبکه های همکار بر عملکرد محققان ایجاد کرد. در نتیجه ، آنها استفاده از شبکه های محققان را برای پیش بینی عملکرد آینده دانشمندان توصیه کردند. Tahamtan و همکاران.(2016) ادبیات را مرور کرد و 28 عامل مؤثر بر تعداد استناد را ارائه داد ، این عوامل سپس به سه دسته اصلی طبقه بندی شدند: عوامل مرتبط با کاغذ (مانند کیفیت مقالات ، نوع اسناد و غیره) ، عوامل مرتبط با ژورنال (از این روبه عنوان عامل تأثیر یا زبان ژورنال) و عوامل مرتبط با نویسنده. نویسندگان اظهار داشتند که می توان با در نظر گرفتن این عوامل ، فراوانی استنادها را پیش بینی کرد. به طور مشابه ، Chakraborty و همکاران.. نویسندگان اظهار داشتند كه اگرچه نویسندگان و محل انتشار این انتشارات برای جمع آوری استنادها بسیار مهم است ، اما ویژگی های مربوط به محتوای مقالات برای پیش بینی های استناد طولانی مدت مؤثرتر است. مطالعه دیگری در مورد تخمین عوامل مؤثر بر تعداد استناد به مقالات منتشر شده در 12 ژورنال روانشناسی جرم نشان داد که تأثیر نویسنده ممکن است پیش بینی کننده قدرتمندتر از چند بار مقاله استناد به محل (ژورنال) انتشار باشد (والترز 2006)واد

بردی و همکاران.(2006) رابطه بین تعداد بارگیری های اولیه و تعداد استنادهای دریافت شده برای نشریات در ARXIV را بررسی کرد. این مطالعه نشان داد که بین بارگیری های اولیه و تأثیر استناد به همبستگی وجود دارد. علاوه بر این ، هرچه مدت زمان بارگیری بیشتر باشد ، همبستگی بین بارگیری و تأثیر استناد بیشتر می شود. نویسندگان نتیجه گرفتند که تأثیر استناد به 2 ساله باید با استفاده از 6 ماه آمار بارگیری تخمین زده شود.

یکی از جدیدترین مطالعات در مورد داده های استناد و پیش بینی بررسی کرد که آیا تعداد جلد هایی که مجلات منتشر شده بر روی عوامل تأثیر ژورنال ها تأثیر می گذارد (ژانگ 2020). نتایج نشان داد که اگر افزایش حجم سازگار و معنی دار باشد ، کاهش عوامل تأثیر بعید است.

بر خلاف سایر مطالعات ذکر شده در بالا ، برخی از مطالعات در ادبیات با هدف تخمین تعداد استنادها با استفاده از داده های مختلف آماری بلکه پیش بینی فن آوری های آینده با استفاده از داده های استناد نیست. کوچک (2006) با استفاده از خوشه بندی ، نقشه برداری و تشکیل رشته برای ردیابی و پیش بینی مناطق رشد در علم پیشنهاد شده است. érdi و همکاران.(2013) با خوشه بندی داده های استناد به ثبت اختراع ، مدل جدیدی را برای تشخیص نقاط داغ فن آوری جدید تهیه کرد. به طور مشابه ، مدل های باس و ARIMA ، که مدل های تجزیه و تحلیل سری زمانی هستند ، برای پیش بینی روند توسعه بر اساس داده های ثبت اختراع مورد استفاده قرار گرفتند (شما و همکاران 2017). Kwon و Geum (2020) اظهار داشتند که با در نظر گرفتن تعداد استناد به عقب به عنوان پیوند با دانش قبلی ، می توان اختراعات امیدوارکننده را شناسایی کرد. تمام این مطالعات نشان می دهد که تجزیه و تحلیل سری زمانی نه تنها می تواند برای پیش بینی تعداد خروجی های ادبیات بلکه برای پیش بینی پیشرفت های فناوری نیز استفاده شود.

با توجه به تعداد مطالعات پیش بینی در ادبیات ، پیش بینی ها یافته های مهمی را برای محققان ، سیاستگذاران و مدیرانی که در LIS و زیر زمینه های آن کار می کنند ، فراهم می کند. از طریق این یافته ها ، می توان سیاست ها را توسعه داد ، شیوه های مشکل ساز را شناسایی کرد و اثرات تغییرات سیاست را اندازه گیری کرد.

روش شناسی