دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 66-53 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
refoua S, salimi Z. Performance Evaluation of the Recommender System in Scientific Databases. Human Information Interaction 2021; 8 (2)
URL: http://hii.khu.ac.ir/article-1-2943-fa.html
URL: http://hii.khu.ac.ir/article-1-2943-fa.html
رفوآ شبنم، سلیمی زهرا. ارزیابی عملکرد نظام پیشنهادگر پایگاه‌های اطلاعاتی علمی. تعامل انسان و اطلاعات. 1400; 8 (2)
دانشگاه خوارزمی، تهران، ایران
چکیده: (3445 مشاهده)
زمینه و هدف: نظام‌های پیشنهادگر مقالات علمی، ابزاری سودمند برای کمک و تسریع در فرایند جستجوی اطلاعات هستند که مقالات را متناسب با نیاز پژوهشگران پیشنهاد می‌دهند. در حال حاضر، پایگاه‌های اطلاعاتی علمی نیز با استفاده از نظام‌های پیشنهادگر، مقالاتی را به کاربران پیشنهاد می‌دهند. از این رو، هدف اصلی این پژوهش ارزیابی عملکرد نظام پیشنهادگر سه پایگاه اطلاعاتی علمی الزویر و تیلور اند فرانسیس و گوگل اسکالر براساس میزان ربط موضوعی مقالات پیشنهادی در زمینه ذخیره و بازیابی اطلاعات از دیدگاه متخصصان کتابداری و فناوری اطلاعات می‌باشد.
روش : پژوهش حاضر از نوع هدف، کاربردی بود که از روش ارزیابانه استفاده شد. نمونه پژوهش را سه پایگاه اطلاعات علمی الزویر و تیلور اند فرانسیس و گوگل اسکالر تشکیل دادند که دارای ابزار پیشنهاددهنده هستند. "ذخیره و بازیابی اطلاعات" به عنوان موضوع مورد جستجو انتخاب گردید. تعداد 10 کلیدواژه تخصصی مرتبط با موضوع ذخیره و بازیابی اطلاعات گزینش شد. پس از جستجوی هر کلیدواژه، نخستین مقاله بازیابی شده، ملاک بررسی قرار گرفت. سپس به ازای هر مقاله اول، 5 مقاله نخست پیشنهاد شده در هر یک از سه پایگاه مذکور استخراج شدند. داده‌ها از طریق مشاهده مستقیم و با استفاده از ابزار سیاهه وارسی محقق ساخته گردآوری شدند. اطلاعات کتابشناختی مقاله اول بازیابی شده در هر موضوع و هر پایگاه به همراه اطلاعات کتابشناختی 5 مقاله پیشنهاد شده جهت ارزیابی میزان ربط موضوعی در اختیار دو گروه از متخصصان کتابداری و فناوری اطلاعات قرار گرفت. نمونه پژوهش به روش نمونه‌گیری گلوله برفی انتخاب شدند. برای تجزیه و تحلیل داده‌ها از آمار توصیفی (فراوانی و درصد فراوانی) و استنباطی (آزمون فیشر و آزمون تی) استفاده شد.
یافته‌ها: نتایج این پژوهش نشان داد که در بین سه پایگاه مذکور، پایگاه اطلاعاتی الزویر در مجموع نتایج مرتبط‌تری از دیدگاه متخصصان کتابداری و فناوری اطلاعات در زمینه ذخیره و بازیابی اطلاعات پیشنهاد می‌کنند که گوگل اسکالر و تیلور اند فرانسیس در رتبه‌های بعدی قرار دارند. در مجموع سه پایگاه، مرتبطترین مقالات از نظر متخصصان موضوعی، مقالاتی بودند که در رتبه پنجم قرار داشتند.
نتیجه‌گیری: در نهایت، مشاهده شد پایگاه اطلاعاتی الزویر، عملکرد مطلوب‌تری از نظر ارائه مقالات پیشنهادی مرتبط نسبت به دو پایگاه دیگر دارد. همچنین نتایج نشان داد، اختلاف معنی‌داری بین دیدگاه متخصصان فناوری اطلاعات با کتابداران در خصوص ربط مقالات پیشنهادی در زمینه ذخیره و بازیابی اطلاعات وجود دارد. به طوری که، از دید متخصصان فناوری اطلاعات ربط مقالات پیشنهادی پایگاه‌های اطلاعاتی بیشتر است.
واژه‌های کلیدی: نظام پیشنهادگر مقالات، سیستم‌های توصیه‌گر مقالات، نظام پیشنهادگر پایگاه اطلاعاتی، ربط موضوعی، پایگاه اطلاعاتی الزویر، پایگاه اطلاعاتی گوگل اسکالر، پایگاه اطلاعاتی تیلور اند فرانسیس
فهرست منابع
1. Adomavicius, G. & Tuzhilin, A. (2011). Context-Aware Recommender Systems. Context-aware recommender systems. in Recommender systems handbook, 217-253. [DOI:10.1007/978-0-387-85820-3_7]
2. Bauer, J. & Nanopoulos, A. (2014). Recommender systems based on quantitative implicit customer feedback. Decision Support Systems,68,77-88. [DOI:10.1016/j.dss.2014.09.005]
3. Beel, J., Gipp, B., Langer, S. & Breitinger, C. (2016). Research-paper recommender systems: a literature survey. International Journal on Digital Libraries, 17(4), 305-338. [DOI:10.1007/s00799-015-0156-0]
4. Costa, A., & Roda, F. (2011). Recommender Systems by means of Information Retrieval. in Proceedings of the International Conference on Web Intelligence, Mining and Semantics. [DOI:10.1145/1988688.1988755]
5. Dehghani Champiri Z, & Saeedbakhsh S. (2018). An Architecture for Scholarly Recommender System Based on Identified Contextual Information in Medical Sciences. Journal of Health Administration, 21 (71) :79-93. (Persian)
6. Ghasemi alvari, M. & Abbasi dashtaki, N. (2016). Compare the performance of the suggestion tool in Google, Yahoo and Bing search engines, 4(16), 75-96. (Persian)
7. Gipp ,B., Beel, J., & Hentschel, C. (2009). Scienstein: A Research Paper Recommender System. in Proceedings of the International Conference on Emerging Trends in Computing , 309-315.
8. Lee, J., Lee, K., & Kim, J. G. (2013) .Personalized Academic Research Paper Recommendation System. arXiv.
9. Hariri, N. (2011). Relevance ranking on google: are top ranked results really considered more relevant by the users?. online information review,35(4), 598-610. [DOI:10.1108/14684521111161954]
10. Haruna, K., Ismail, M.A., Qazi, A. Adamu Kakudi, H., Hassan, M., & et al. (2020). Research paper recommender system based on public contextual metadata. Scientometrics, 125 ,101-114. [DOI:10.1007/s11192-020-03642-y]
11. Khosravi, A., Fattahi, F., Parirokh, M., & Dayyani, M. (2013).The Efficacy of Google's suggested keywords and phrases in Query Expansion on postgraduates' View about retrieval relevance. Library and Information Science Research Journal, 3 (1), 133-148. (Persian)
12. Khosravi, A., Poosh, Z., & Arastoupour, S. (2015). The Efficiency of Pubmed Query Refinement Suggestions in Comparison with MESH Terms: A Bushehr Medical Specialists Viewpoint. Iranian Journal of Information processing and Management, 30 (3) :697-717.(Persian)
13. Lu, J., Wu, D., Wang, W., & Zhang, G. (2015). Recommender system application developments: A survey. Decision Support Systems, 74,12-32. [DOI:10.1016/j.dss.2015.03.008]
14. Matsatsinis, N., Lakiotaki, K., & Delias, P. (2007). A System based on Multiple Criteria Analysis for Scientific Paper Recommendation. in Proceedings of the 11th Panhellenic Conference in Informatics.
15. Ostendorff, M. (2020). Contextual Document Similarity for Content-based Literature Recommender Systems. in Proceedings of Doctoral Consortium at the ACM/IEEE Joint Conference on Digital Libraries (JCDL 2020).
16. Porcel, C., Tejeda- Lorente, A., Martinez, M.A., & Herrera-Viedma, E. (2012). A hybrid recommender system for the selective dissemination of research resources in a Technology Transfer Office. Information Sciences, 184,1-19. [DOI:10.1016/j.ins.2011.08.026]
17. Pruitikanee, S. , Di Jorio, L., Laurent, A. , & Sala, M. (2013). Paper Recommendation System: A Global and Soft Approach. Future Computing '2012: Fourth International Conference on Future Computational Technologies and Applications, Jun 2012.
18. Sadein, S., & Abbaspour, J. (2018a). Article Ranking by Recommender Systems vs. Users' Perspectives. Journal of National Studies on Librarianship and Information Organization, 3 (119), 46-57. (Persian)
19. Sadein, S., & Abbaspour, J. (2018b). Comparing the effectiveness of related articles recommender systems in Web of Science and Google Scholar. Journal of Academic Librarianship and Information Research, 53 (1). (Persian)
20. Sakib, N., Ahmad, R. B., & Haruna, K. (2020). A collaborative approach toward scientific paper recommendation using citation context. IEEE Access, 8, 51246-51255. [DOI:10.1109/ACCESS.2020.2980589]
21. Shahbazi, M., & Shahini, S. (2016). Study of the the efficacy Magiran, Noormags and SID database in retrieval and relevance of Information Science and Knowledge subject by free keywords and Compare them in terms of the use of controlled keywords. Iranian Journal of Information processing and Management, 31 (2),431-454. (Persian)
22. Tejeda-Lorente, A., Porcel, C., Peis, E., Sanz, R., & Herrera-Viedma, E. (2014). A quality based recommender system to disseminate information in a university digital library. Information Sciences,261,52-69. [DOI:10.1016/j.ins.2013.10.036]
23. Vellino, A. , & Zeber, D. (2007). A Hybrid, Multi-dimensional Recommender for Journal Articles in a Scientific Digital Library. Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, 111 - 114. [DOI:10.1109/WI-IATW.2007.29]
24. Watanabe, S., Ito, T., Ozono, T., & Shintani, T. (2011). A Paper Recommendation Mechanism for the Research Support System Papits. in Proceedings of International Workshop on Data Engineering Issues in E-Commerce, 71-80.
25. Adomavicius, G. & Tuzhilin, A. (2011). Context-Aware Recommender Systems. Context-aware recommender systems. in Recommender systems handbook, 217-253. [DOI:10.1007/978-0-387-85820-3_7]
27. Bauer, J. & Nanopoulos, A. (2014). Recommender systems based on quantitative implicit customer feedback. Decision Support Systems,68,77-88. [DOI:10.1016/j.dss.2014.09.005]
29. Beel, J., Gipp, B., Langer, S. & Breitinger, C. (2016). Research-paper recommender systems: a literature survey. International Journal on Digital Libraries, 17(4), 305-338. [DOI:10.1007/s00799-015-0156-0]
31. Costa, A., & Roda, F. (2011). Recommender Systems by means of Information Retrieval. in Proceedings of the International Conference on Web Intelligence, Mining and Semantics. [DOI:10.1145/1988688.1988755]
33. Dehghani Champiri Z, & Saeedbakhsh S. (2018). An Architecture for Scholarly Recommender System Based on Identified Contextual Information in Medical Sciences. Journal of Health Administration, 21 (71) :79-93. (Persian)
34. Ghasemi alvari, M. & Abbasi dashtaki, N. (2016). Compare the performance of the suggestion tool in Google, Yahoo and Bing search engines, 4(16), 75-96. (Persian)
35. Gipp ,B., Beel, J., & Hentschel, C. (2009). Scienstein: A Research Paper Recommender System. in Proceedings of the International Conference on Emerging Trends in Computing , 309-315.
36. Lee, J., Lee, K., & Kim, J. G. (2013) .Personalized Academic Research Paper Recommendation System. arXiv.
37. Hariri, N. (2011). Relevance ranking on google: are top ranked results really considered more relevant by the users?. online information review,35(4), 598-610. [DOI:10.1108/14684521111161954]
39. Haruna, K., Ismail, M.A., Qazi, A. Adamu Kakudi, H., Hassan, M., & et al. (2020). Research paper recommender system based on public contextual metadata. Scientometrics, 125 ,101-114. [DOI:10.1007/s11192-020-03642-y]
41. Khosravi, A., Fattahi, F., Parirokh, M., & Dayyani, M. (2013).The Efficacy of Google's suggested keywords and phrases in Query Expansion on postgraduates' View about retrieval relevance. Library and Information Science Research Journal, 3 (1), 133-148. (Persian)
42. Khosravi, A., Poosh, Z., & Arastoupour, S. (2015). The Efficiency of Pubmed Query Refinement Suggestions in Comparison with MESH Terms: A Bushehr Medical Specialists Viewpoint. Iranian Journal of Information processing and Management, 30 (3) :697-717.(Persian)
43. Lu, J., Wu, D., Wang, W., & Zhang, G. (2015). Recommender system application developments: A survey. Decision Support Systems, 74,12-32. [DOI:10.1016/j.dss.2015.03.008]
45. Matsatsinis, N., Lakiotaki, K., & Delias, P. (2007). A System based on Multiple Criteria Analysis for Scientific Paper Recommendation. in Proceedings of the 11th Panhellenic Conference in Informatics.
46. Ostendorff, M. (2020). Contextual Document Similarity for Content-based Literature Recommender Systems. in Proceedings of Doctoral Consortium at the ACM/IEEE Joint Conference on Digital Libraries (JCDL 2020).
47. Porcel, C., Tejeda- Lorente, A., Martinez, M.A., & Herrera-Viedma, E. (2012). A hybrid recommender system for the selective dissemination of research resources in a Technology Transfer Office. Information Sciences, 184,1-19. [DOI:10.1016/j.ins.2011.08.026]
49. Pruitikanee, S. , Di Jorio, L., Laurent, A. , & Sala, M. (2013). Paper Recommendation System: A Global and Soft Approach. Future Computing '2012: Fourth International Conference on Future Computational Technologies and Applications, Jun 2012.
50. Sadein, S., & Abbaspour, J. (2018a). Article Ranking by Recommender Systems vs. Users' Perspectives. Journal of National Studies on Librarianship and Information Organization, 3 (119), 46-57. (Persian)
51. Sadein, S., & Abbaspour, J. (2018b). Comparing the effectiveness of related articles recommender systems in Web of Science and Google Scholar. Journal of Academic Librarianship and Information Research, 53 (1). (Persian)
52. Sakib, N., Ahmad, R. B., & Haruna, K. (2020). A collaborative approach toward scientific paper recommendation using citation context. IEEE Access, 8, 51246-51255. [DOI:10.1109/ACCESS.2020.2980589]
54. Shahbazi, M., & Shahini, S. (2016). Study of the the efficacy Magiran, Noormags and SID database in retrieval and relevance of Information Science and Knowledge subject by free keywords and Compare them in terms of the use of controlled keywords. Iranian Journal of Information processing and Management, 31 (2),431-454. (Persian)
55. Tejeda-Lorente, A., Porcel, C., Peis, E., Sanz, R., & Herrera-Viedma, E. (2014). A quality based recommender system to disseminate information in a university digital library. Information Sciences,261,52-69. [DOI:10.1016/j.ins.2013.10.036]
57. Vellino, A. , & Zeber, D. (2007). A Hybrid, Multi-dimensional Recommender for Journal Articles in a Scientific Digital Library. Proceedings of the 2007 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology, 111 - 114. [DOI:10.1109/WI-IATW.2007.29]
59. Watanabe, S., Ito, T., Ozono, T., & Shintani, T. (2011). A Paper Recommendation Mechanism for the Research Support System Papits. in Proceedings of International Workshop on Data Engineering Issues in E-Commerce, 71-80.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
