آکادمی تحلیل آماری ایران مدرسه پژوهش کمی و کیفی
چرا هر پژوهشگر باید مرور سیستماتیک کتابسنجی را بیاموزد؟
یک ضرورت نه یک انتخاب
📌 جعبهٔ اطلاعات سریع (Quick Info Box)
چکیده (Abstract)
زمینه: در دهه گذشته، حجم انتشارات علمی جهان با شتابی نمایی رشد کرده و پژوهشگر امروز با اقیانوسی از ادبیات پراکنده روبروست که نه با مرور روایتی و نه با فراتحلیل بهتنهایی قابل تسلط نیست. مرور سیستماتیک کتابسنجی (Bibliometric Systematic Review) بهعنوان ترکیبی روششناختی و بینرشتهای، پاسخی دقیق، شفاف و بازتولیدپذیر به این چالش ارائه میدهد.
هدف: این مقاله بهعنوان یک چشمانداز روششناختی، بنیانهای نظری، مسیر تکاملی، ابزارهای کاربردی و استانداردهای گزارشدهی مرور کتابسنجی را مرور میکند و برهان میآورد که چرا نبود این مهارت در جعبهابزار پژوهشگر معاصر — فارغ از رشته — یک نقص جدی است.
یافتهها: شواهد از انفجار انتشارات کتابسنجی در پایگاههای Q1 (رشد بیش از ۲۰ هزار استناد صرفاً برای راهنمای Donthu و همکاران از ۲۰۲۱) نشان میدهد که این روش دیگر مهارتی «حاشیهای» نیست، بلکه به یک زبان مشترک بینرشتهای بدل شده است. توسعه پایگاههای OpenAlex و Dimensions، رشد بسته bibliometrix در R، و ظهور دستورالعملهای گزارشدهی جدید در ۲۰۲۵ نشانگر بلوغ سریع این حوزه است.
نتیجهگیری: پژوهشگرانی که مرور کتابسنجی را نمیشناسند، نهتنها یک روش، بلکه یک لنز راهبردی برای تشخیص شکافهای دانش، طراحی برنامه پژوهشی و ورود به گفتمان جهانی رشته خود را از دست دادهاند. یادگیری هدفمند این روش، سرمایهگذاری کمریسک و پرتوان برای انتشار در ژورنالهای برتر است.
📑 فهرست مطالب
- ۱. مقدمه: چرا اکنون؟
- ۲. مبانی نظری: از قوانین کلاسیک تا نقشهنگاری علم
- ۳. گردشکار استاندارد: پنج گام از طراحی تا انتشار
- ۴. ابزارها و پایگاههای داده: انتخاب هوشمندانه
- ۵. چرا این روش در همه رشتهها ضرورت یافته است؟
- ۶. دامها و اشتباهات رایج: آنچه هیچکس به شما نمیگوید
- ۷. افق پیشرو: کتابسنجی در عصر هوش مصنوعی
- ۸. نقشه راه یادگیری: از مبتدی تا انتشار در Q1
- ۹. نتیجهگیری: از تماشاچی به شرکتکننده
- ۱۰. فهرست منابع (APA 7th)
۱. مقدمه: چرا اکنون؟
تصور کنید در سال ۲۰۲۶ به یک ژورنال Q1 مقالهای میفرستید که در آن ادعا میکنید «شکاف پژوهشی» در حوزهای مشخص وجود دارد، اما هیچ شاهد ساختارمندی برای این ادعا ارائه نمیدهید. داور اول، بیدرنگ میپرسد: «آیا این شکاف را با یک تحلیل کتابسنجی نشان دادهاید؟». این پرسش، دیگر یک استثنا نیست، بلکه به یک رویه معیار در فرایند داوری بدل شده است. آلن پریچارد در ۱۹۶۹ برای نخستین بار اصطلاح «Bibliometrics» را برای جایگزینی «کتابشناسی آماری» به کار برد و همان زمان پیشبینی کرد که این حوزه، به ابزاری برای مدیریت اطلاعات علمی تبدیل خواهد شد (Hood & Wilson, 2001).
امروز، پیشبینی پریچارد فراتر از انتظار محقق شده است. راهنمای مرجع Donthu و همکاران (۲۰۲۱) در Journal of Business Research با بیش از ۲۰٬۰۰۰ استناد در کمتر از پنج سال، یکی از پراستنادترین مقالات روششناختی تاریخ ژورنالهای مدیریتی است (Donthu et al., 2021). راهنمای Aria و Cuccurullo (۲۰۱۷) برای بسته bibliometrix نیز مرز ۲۲٬۰۰۰ استناد را رد کرده است (Aria & Cuccurullo, 2017). این ارقام تنها نشانگر محبوبیت نیستند؛ آنها بازتاب یک «تغییر پارادایمی» در نحوه سنتز دانش هستند.
پرسش اصلی این مقاله ساده اما تعیینکننده است: چه چیزی این روش را از سایر انواع مرور متمایز میکند و چرا نیاموختن آن، امروز یک نقص حرفهای است؟ برای پاسخ، از مبانی نظری آغاز میکنیم، سپس گامبهگام از مرحله طراحی تا تفسیر پیش میرویم، ابزارها و پایگاههای داده را مقایسه میکنیم، اشتباهات رایج را برجسته میسازیم و در پایان، یک نقشه راه یادگیری ارائه میدهیم.
۲. مبانی نظری: از قوانین کلاسیک تا نقشهنگاری علم
۲.۱. تعریف دقیق و جایگاه در طیف مرورها
مرور سیستماتیک کتابسنجی به کاربرد روشهای ریاضی و آماری بر متادیتای انتشارات علمی — عنوان، چکیده، کلیدواژه، نویسندگان، مؤسسات، مراجع و استنادات — برای شناسایی الگوهای تولید، مصرف و تحول دانش گفته میشود (Donthu et al., 2021; Öztürk et al., 2024). برخلاف مرور روایتی که مبتنی بر قضاوت مؤلف است و برخلاف فراتحلیل که بر ادغام آماری اندازههای اثر متمرکز میشود، مرور کتابسنجی «ساختار پنهان» یک حوزه علمی را عیان میکند: چه کسی با چه کسی همکاری میکند؟ کدام مفاهیم در حال ظهور و کدام در حال زوالاند؟ کدام مقالات بنیادی و کدام «نقاط عطف نامرئی» رشته هستند؟
Lim و Kumar (۲۰۲۴) در راهنمای اخیر خود در Global Business and Organizational Excellence استدلال میکنند که مرور کتابسنجی زمانی به بلوغ میرسد که از توصیف صرف («چند مقاله؟ چند استناد؟») به «معنیسازی» (sensemaking) گذر کند و پژوهشگر بتواند از دل شبکههای خام، روایتی نظری استخراج نماید (Lim & Kumar, 2024). Marzi و همکاران (۲۰۲۵) در International Journal of Management Reviews این ایده را در قالب یک دستورالعمل ۱۰-گامی برای «مرور کتابسنجی-سیستماتیک ترکیبی» رسمیت بخشیدهاند که در آن، کتابسنجی و مرور محتوایی برای توسعه نظریه در هم تنیده میشوند (Marzi et al., 2025).
۲.۲. سه قانون بنیادین که هر پژوهشگری باید بشناسد
سه قانون کلاسیک، ستونهای نظری کتابسنجی را میسازند و آشنایی با آنها، تفسیر خروجی هر تحلیل مدرن را ممکن میکند:
- قانون لوتکا (۱۹۲۶): توزیع بهرهوری نویسندگان، توزیعی توانی است؛ یعنی تعداد اندکی از نویسندگان، حجم عمده تولیدات را ایجاد میکنند. این قانون توضیح میدهد چرا در هر تحلیل کتابسنجی، «ده نویسنده برتر» معمولاً بیش از ۳۰٪ کل خروجی حوزه را در اختیار دارند (Bailón-Moreno et al., 2005).
- قانون برادفورد (۱۹۳۴): پراکنش مقالات موضوعی در ژورنالها از الگویی هسته-پیرامون تبعیت میکند؛ تعداد کمی «ژورنال هسته» بخش بزرگی از مقالات مرتبط را در بر میگیرند. این قانون، مبنای انتخاب «ژورنالهای هدف» برای انتشار مقاله شماست (Amanullah et al., 2025; Figueiredo et al., 2019).
- قانون زیپف: فراوانی کلمات در متن علمی از توزیعی توانی پیروی میکند؛ همین قانون است که در تحلیل همواژگانی (Co-word) و مدلسازی موضوعی (Topic Modeling) به کار میرود (Bailón-Moreno et al., 2005).
چرا یک زیستشناس یا مهندس باید این قوانین را بداند؟
این قوانین صرفاً مفاهیم علماطلاعاتی نیستند؛ آنها بازتاب «توزیع نابرابر توجه علمی» در هر حوزهاند. وقتی میخواهید بفهمید چرا مقاله شما در سال اول انتشار استناد نگرفت، یا کدام ژورنال احتمال پذیرش موضوع شما را دارد، پاسخ در همین قوانین است. Kokol و همکاران (۲۰۲۱) در Health Information & Libraries Journal نشان دادند که این قوانین در تحلیل ۵۰ سال پژوهش پزشکی همچنان معتبرند (Kokol et al., 2021).
۲.۳. دو خانواده تحلیلی: عملکرد و نقشهنگاری
Donthu و همکاران (۲۰۲۱) مرور کتابسنجی را به دو خانواده تقسیم میکنند که هر پژوهشگر باید توانایی اجرای هر دو را داشته باشد:
الف) تحلیل عملکرد (Performance Analysis): این خانواده به شمارش، رتبهبندی و مقایسه بازیگران — نویسندگان، مؤسسات، کشورها، ژورنالها — میپردازد. شاخصهایی مانند تعداد انتشارات، کل استنادات، میانگین استناد به مقاله، h-index، g-index و m-index در این دسته قرار میگیرند. Hirsch (۲۰۰۵) با معرفی h-index یک انقلاب کوچک راه انداخت، اما پژوهشهای بعدی مانند Akhtar (۲۰۲۴) نشان دادند این شاخص برای مقایسه بینرشتهای قابل اتکا نیست و باید در کنار شاخصهای نرمالشده بهکار رود (Akhtar, 2024; Mustafa et al., 2023).
ب) نقشهنگاری علم (Science Mapping): این خانواده به «رابطه» بین اجزاء میپردازد و ساختار فکری، اجتماعی و مفهومی حوزه را ترسیم میکند. پنج تکنیک اصلی این خانواده — که هر پژوهشگر باید تفاوت آنها را بداند — عبارتاند از:
- تحلیل هماستنادی (Co-citation): اگر دو مقاله بارها با هم در فهرست منابع مقالات دیگر ظاهر شوند، آن دو در یک «مدرسه فکری» قرار دارند. این تکنیک، بنیانهای نظری حوزه را آشکار میکند (Klarin, 2024).
- همبستگی مآخذ (Bibliographic Coupling): اگر دو مقاله منابع مشترک زیادی داشته باشند، احتمالاً موضوع مشابهی را دنبال میکنند. این تکنیک، جبهه پژوهشی جاری را نشان میدهد (Bernatović et al., 2022).
- تحلیل همواژگانی (Co-word): بر پایه قانون زیپف، این تکنیک شبکه مفاهیم و تحول موضوعی را با تحلیل همرخدادی کلیدواژهها استخراج میکند (Leung et al., 2017).
- همنویسندگی (Co-authorship): ساختار اجتماعی همکاری بین نویسندگان، مؤسسات و کشورها را ترسیم میکند.
- همرخدادی محتوایی (Content Co-occurrence): Klarin (۲۰۲۴) در International Journal of Consumer Studies این تکنیک جدید را بهعنوان نسل بعدی تحلیل همواژگانی معرفی میکند که با ادغام NLP، لایه معنایی عمیقتری به تحلیل میافزاید (Klarin, 2024).
۳. گردشکار استاندارد: پنج گام از طراحی تا انتشار
یک مرور کتابسنجی سطح Q1، مجموعهای از گزارشهای خام نیست، بلکه یک روایت روششناختی منسجم است. Öztürk و همکاران (۲۰۲۴) در Review of Managerial Science چارچوبی جامع برای طراحی این پژوهشها ارائه دادهاند که در جدول ۱ خلاصه شده و بهسرعت به یک مرجع در دانشکدههای مدیریت بدل شده است (Öztürk et al., 2024).
| گام | عنوان | فعالیتهای کلیدی | خروجی و نکته حرفهای |
|---|---|---|---|
| ۱ | تعریف هدف و دامنه | تدوین پرسش پژوهش، انتخاب نوع مرور (توصیفی، مقایسهای، ارزیابانه)، تعیین بازه زمانی و رشته | بیانیه هدف SMART و مطالعه پایلوت. هشدار: بدون پرسش دقیق، به «ماهیگیری داده» میرسید. |
| ۲ | جستجو و بازیابی | انتخاب پایگاه (WoS/Scopus/OpenAlex)، ساخت رشته جستجوی بولی، اعمال فیلترها | پروتکل جستجوی بازتولیدپذیر با تاریخ و ساعت. ثبت رشته جستجو در پیوست الزامی است. |
| ۳ | پالایش و غربالگری | حذف دوگانهها، غربالگری بر اساس معیارهای PRISMA، پاکسازی نویز | نمودار جریان PRISMA و پیکره نهایی. Ng و همکاران (۲۰۲۵) راهنمای گزارشدهی ویژه کتابسنجی پیشنهاد دادهاند (Ng et al., 2025). |
| ۴ | تحلیل | اجرای تحلیل عملکرد + نقشهنگاری علم با نرمافزارهای تخصصی | جداول رتبهبندی، شبکهها و نقشههای تراکمی. ترکیب حداقل دو ابزار پیشنهاد میشود. |
| ۵ | تفسیر و گزارشدهی | معنیسازی نتایج، ترسیم مضامین و شکافها، تدوین دستور کار پژوهشی آینده | روایت نظری منسجم. گام تشخیصی که مقالات Q1 را از Q3 جدا میکند. |
Kumar (۲۰۲۵) در Spectrum of Engineering and Management Sciences نشان میدهد بزرگترین دام برای پژوهشگران تازهکار، تولید دهها نمودار زیبا از VOSviewer بدون توانایی «خواندن» آنهاست. یک شبکه هماستنادی زیبا اگر با نظریه پیوند نخورد، صرفاً یک اثر هنری است، نه یافته علمی (Kumar, 2025).
۴. ابزارها و پایگاههای داده: انتخاب هوشمندانه
۴.۱. پایگاههای داده کتابسنجی
انتخاب پایگاه، تعیینکننده اعتبار کل مطالعه شماست. Mongeon و Paul-Hus (۲۰۱۶) در Scientometrics نشان دادند که Scopus پوشش گستردهتری از علوم اجتماعی و انسانی دارد در حالی که WoS در علوم پایه و پزشکی از پوشش تاریخی طولانیتری برخوردار است (Mongeon & Paul-Hus, 2016). Singh و همکاران (۲۰۲۱) با مقایسه سهجانبه WoS، Scopus و Dimensions به این نتیجه رسیدند که Dimensions با پوشش ۱٫۶ برابری نسبت به WoS، برای مطالعات جامع بینرشتهای گزینهای جدی است (Singh et al., 2021). Alperin و همکاران (۲۰۲۴) نیز نشان دادند OpenAlex عملاً یک ابرمجموعه از Scopus است و میتواند بهعنوان جایگزین رایگان و بازتولیدپذیر عمل کند (Alperin et al., 2024; Culbert et al., 2025).
| ویژگی | Web of Science | Scopus | Dimensions | OpenAlex |
|---|---|---|---|---|
| پوشش انتشارات | ≈ ۹۰ میلیون رکورد | ≈ ۹۵ میلیون رکورد | ≈ ۱۴۵ میلیون | > ۲۵۰ میلیون |
| پوشش تاریخی | از ۱۹۰۰ (طولانیترین) | از ۱۹۶۶ | از ۱۸۰۰ | از ۱۹۰۰ |
| هزینه دسترسی | اشتراک پرداختی | اشتراک پرداختی | Freemium | کاملاً رایگان |
| اعتبار سنتی برای Q1 | بالاترین (JCR) | بسیار بالا (CiteScore) | در حال رشد | در حال پذیرش |
| خروجی مناسب برای تحلیل | Plain text, BibTeX | CSV, BibTeX, RIS | CSV, API | API, CSV |
| نقطه قوت | کیفیت متادیتا، JCR | پوشش وسیع علوم اجتماعی | گرنتها و پتنتها | باز و بازتولیدپذیر |
۴.۲. نرمافزارها: کدام ابزار برای کدام هدف؟
سه ابزار غالب امروز، هرکدام فلسفه و نقاط قوت خود را دارند. VOSviewer از Van Eck و Waltman (۲۰۱۰) — با نزدیک به ۲۸٬۰۰۰ استناد — رهبر بیچونوچرای بصریسازی تعاملی است (Van Eck & Waltman, 2010, 2017). CiteSpace از Chen (۲۰۰۶، ۲۰۱۷) با الگوریتمهای تشخیص گرههای محوری و تحلیل زمانی، برای شناسایی «نقاط عطف علمی» بیرقیب است (Chen, 2006, 2017). و bibliometrix از Aria و Cuccurullo (۲۰۱۷) — که در نسخههای اخیر با biblioshiny رابط گرافیکی نیز پیدا کرده — انعطاف کدنویسی R را با گستره کامل تحلیلها ترکیب میکند (Aria & Cuccurullo, 2017; Aria et al., 2024).
| معیار | VOSviewer | CiteSpace | bibliometrix / biblioshiny |
|---|---|---|---|
| زبان توسعه | Java | Java | R |
| منحنی یادگیری | ملایم (چند ساعت) | متوسط تا شیبدار | ملایم با biblioshiny |
| بصریسازی | عالی (شبکه، تراکم، همپوشانی) | بسیار قوی با بُعد زمانی | خوب، قابل شخصیسازی کامل |
| تحلیل زمانی (Burst Detection) | محدود | نقطه قوت اصلی | موجود ولی دستی |
| تحلیل موضوعی و مفهومی | همواژگانی، هماستنادی | مسیر تحول، کلاسترها | Thematic Map، Three-Fields Plot |
| هزینه | رایگان | رایگان | رایگان (کتابخانه R) |
| ارجاع پایهای | Van Eck & Waltman (2010) — ۲۸٬۰۰۰+ استناد | Chen (2006) — ۹٬۵۰۰+ استناد | Aria & Cuccurullo (2017) — ۲۲٬۰۰۰+ استناد |
| بهترین کاربرد | گزارشهای تصویری، ارائههای آکادمیک | شناسایی جبهههای نوظهور و مقالات پُرارجاع کلیدی | گردشکار کامل و بازتولیدپذیر انتها به انتها |
مطالعه Omer و همکاران (۲۰۲۵) نشان میدهد بیش از ۶۵٪ مقالات کتابسنجی برتر در ۲۰۲۴-۲۰۲۵، ترکیبی از VOSviewer برای بصریسازی + bibliometrix برای تحلیل کمی + CiteSpace برای تحلیل زمانی بهکار میبرند (Omer et al., 2025). تسلط بر تنها یک ابزار، شما را از نیمی از قابلیتهای تحلیل محروم میکند. Guo و همکاران (۲۰۲۴) نیز در Heliyon نشان دادند این ترکیب سهگانه، اعتبار درونی مطالعه را بهطور معنادار افزایش میدهد (Guo et al., 2024).
۵. چرا این روش در همه رشتهها ضرورت یافته است؟
شاید بپرسید: «من پزشکم، چه لزومی دارد این روش را بیاموزم؟». یا: «من مهندس مکانیکم، این کار برای علوم اجتماعی است». پاسخ در شواهد اخیر نهفته است. یک بررسی سریع در پایگاههای Q1 نشان میدهد:
- Xie و همکاران (۲۰۲۵) در Frontiers in Medicine با یک مرور کتابسنجی ۳۰ ساله، مسیر تکاملی هوش مصنوعی در پزشکی را ترسیم کردند که به یکی از پُرارجاعترین مقالات آن ژورنال بدل شد (Xie et al., 2025).
- Frasca و همکاران (۲۰۲۴) در Discover Artificial Intelligence با مرور کتابسنجی سیستماتیک، شکافهای تفسیرپذیری AI در پزشکی را مستند کردند و راه را برای گرنتهای میلیوندلاری اتحادیه اروپا هموار ساختند (Frasca et al., 2024).
- Chemnad و Othman (۲۰۲۴) در Frontiers in Artificial Intelligence با ترکیب PRISMA و کتابسنجی، حوزه دسترسپذیری دیجیتال را از منظر AI بازتعریف کردند (Chemnad & Othman, 2024).
- Lu و همکاران (۲۰۲۴) در Frontiers in Psychiatry ساختار پژوهشهای استرس در پاندمی COVID-19 را با ترکیب COOC، VOSviewer و CiteSpace نقشهنگاری کردند (Lu et al., 2024).
- Okoroiwu و همکاران (۲۰۲۴) در Cost Effectiveness and Resource Allocation، تحلیل هزینهاثربخشی سلامت را در ۱۰ سال گذشته نقشهنگاری کردند و اولویتهای تخصیص بودجه را مشخص ساختند (Okoroiwu et al., 2024).
این مثالها اتفاقی نیستند. Linnenluecke و همکاران (۲۰۲۰) در Australian Journal of Management استدلال میکنند مرور کتابسنجی «زبان مشترک بینرشتهای» است که به یک انکولوژیست، یک اقتصاددان و یک جامعهشناس اجازه میدهد ساختار حوزه یکدیگر را بفهمند (Linnenluecke et al., 2020).
یک تجربه ذهنی: ۳ سناریوی واقعی
سناریوی ۱ — پزشک متخصص انکولوژی: با یک مرور کتابسنجی ۱۰ ساله در حوزه ایمونوتراپی، ۵ خوشه پژوهشی نوظهور، ۳ گروه بینالمللی برای همکاری، و ۷ ژورنال هدف را شناسایی میکند. نتیجه: انتشار در Lancet Oncology.
سناریوی ۲ — مهندس مواد: پیش از شروع دکترا، با نقشهنگاری علم روی مواد دوبعدی، شکاف پژوهشی «کاربرد در حسگرهای زیستی» را که هیچ گروهی در کشورش کار نمیکند، شناسایی میکند و پروپوزال دکترای خود را بر همان بنا میگذارد.
سناریوی ۳ — پژوهشگر علوم اجتماعی: با یک مرور کتابسنجی-سیستماتیک ترکیبی، به سبک Marzi و همکاران (۲۰۲۵)، مقالهای در Academy of Management Review منتشر میکند و به یک مرجع نظری در حوزه خود بدل میشود (Marzi et al., 2025).
۶. دامها و اشتباهات رایج: آنچه هیچکس به شما نمیگوید
Ellegaard (۲۰۲۶) در Scientometrics یک ارزیابی انتقادی بر روش کتابسنجی ارائه داده و شش دام کلیدی را برجسته کرده است که بهدرستی، تنها با آموزش رسمی قابل اجتناباند (Ellegaard, 2026):
- وابستگی تکپایگاهی: استفاده صرف از WoS یا Scopus بدون توجیه. راهحل: گزارش مقایسه پوشش (Martín-Martín et al., 2018).
- پاکسازی ناکافی: نویسندگان با نام مشابه (John Smith)، مؤسسات با نامهای مختلف (MIT vs Massachusetts Institute of Technology). نیاز به کد پاکسازی سفارشی.
- سوءتفسیر h-index بینرشتهای: h=20 در ریاضیات نخبگی است، در پزشکی متوسط. همیشه نرمالسازی رشتهای لازم است (Akhtar, 2024).
- گزارش خام بدون تفسیر: فقط ارائه نقشههای زیبا بدون معنیسازی — اشتباهی که Lim & Kumar (۲۰۲۴) آن را «کتابسنجی توصیفی درجه سه» مینامند.
- نادیده گرفتن سوگیری زبانی: Vera-Baceta و همکاران (۲۰۱۹) نشان دادند WoS و Scopus سوگیری شدیدی به سود انگلیسی دارند که یافتههای مربوط به کشورهای غیرانگلیسیزبان را تحریف میکند (Vera-Baceta et al., 2019).
- عدم گزارش نسخه نرمافزار و الگوریتم: نتایج VOSviewer با تغییر روش خوشهبندی متفاوت میشود. ذکر پارامترها الزامی است.
Ng و همکاران (۲۰۲۵) در Quantitative Science Studies با یک مرور دامنهای، فقدان یک استاندارد گزارشدهی رسمی برای کتابسنجی (معادل PRISMA برای مرور سیستماتیک) را برجسته کرده و پیشنهاد یک راهنمای اختصاصی دادهاند — نشانه دیگری بر بلوغ سریع این حوزه (Ng et al., 2025).
۷. افق پیشرو: کتابسنجی در عصر هوش مصنوعی
تحول جاری، هوش مصنوعی مولد را وارد گردشکار کتابسنجی میکند. Kurutkan (۲۰۲۶) در راهنمای گامبهگام خود نشان میدهد که مدلسازی موضوعی مبتنی بر BERTopic، خوشهبندی معنایی با embeddingهای زبانی و استخراج خودکار روابط علّی از چکیدهها، دیگر آینده کتابسنجی نیستند، بلکه اکنون آناند (Kurutkan, 2026). Chen و همکاران (۲۰۲۴) در Artificial Intelligence Review نشان دادند ترکیب مدلسازی موضوعی با کتابسنجی سنتی، دقت شناسایی موضوعات نوظهور را تا ۳۸٪ افزایش میدهد (Chen et al., 2024).
Aria و همکاران (۲۰۲۴) نیز در Scientometrics با معرفی «تحلیل ساختار مفهومی تطبیقی» (Comparative Conceptual Structure Analysis) نسل جدیدی از تحلیلهای bibliometrix را رونمایی کردهاند که تحول موضوعی حوزههای موازی را مقایسه میکند (Aria et al., 2024). Haunschild و Bornmann (۲۰۲۴) با استفاده از OpenAlex، نقشههای جهانی علم را در سطح فرد، مؤسسه و کشور بازتولید کردند — نمونهای از دموکراتیزاسیون این علم (Haunschild & Bornmann, 2024).
با ظهور ابزارهای رایگان (OpenAlex، biblioshiny)، کاهش هزینه ورود و رشد استاندارد گزارشدهی، پژوهشگرانی که در ۲۴ ماه آینده این مهارت را کسب کنند، به موج نخست «کتابسنجی هوشمند» خواهند پیوست. Kokol و همکاران (۲۰۲۱) نشان دادند پژوهشگرانی که از موج اول یک روش استفاده میکنند، بهطور متوسط ۴٫۷ برابر بیشتر استناد میگیرند (Kokol et al., 2021).
۸. نقشه راه یادگیری: از مبتدی تا انتشار در Q1
Ab Rashid (۲۰۲۳) در راهنمای عملی خود، مسیری چهار سطحی برای تسلط بر مرور کتابسنجی پیشنهاد میدهد که اینجا آن را با یافتههای Öztürk و همکاران (۲۰۲۴) و Marzi و همکاران (۲۰۲۵) تلفیق کردهایم (Ab Rashid, 2023; Marzi et al., 2025; Öztürk et al., 2024):
| سطح | مهارتهای هدف | منابع پیشنهادی | دستاورد |
|---|---|---|---|
| مبتدی (۱-۲ ماه) | درک قوانین لوتکا، برادفورد، زیپف؛ آشنایی با Scopus و WoS؛ استخراج و پاکسازی داده | Donthu et al. (2021); Bredahl (2022) | نخستین گزارش توصیفی |
| متوسط (۲-۴ ماه) | تسلط بر VOSviewer + biblioshiny؛ اجرای هماستنادی، همواژگانی و همبستگی مآخذ | Aria & Cuccurullo (2017); Van Eck & Waltman (2010) | مقاله در ژورنال Q3-Q2 |
| پیشرفته (۴-۸ ماه) | افزودن CiteSpace؛ تحلیل زمانی و Burst Detection؛ ترکیب PRISMA + کتابسنجی | Chen (2017); Lim & Kumar (2024) | مقاله در Q1 استانداردی |
| خبره (۸+ ماه) | مرور ترکیبی کتابسنجی-سیستماتیک؛ ادغام NLP و LLMs؛ توسعه نظریه | Marzi et al. (2025); Klarin (2024); Kurutkan (2026) | مقاله در Q1 صدر رشته |
پژوهشگری که هنوز مرور کتابسنجی را نیاموخته، مانند نقشهبردار قرن بیستویکمی است که با متر پارچهای کار میکند. کار میکند، اما دیگر رقابتی نیست.
۹. نتیجهگیری: از تماشاچی به شرکتکننده
اگر این مقاله بتواند تنها یک پیام را منتقل کند، آن پیام این است: مرور سیستماتیک کتابسنجی، دیگر یک انتخاب نیست. این روش نه یک تکنیک آماری در حاشیه، بلکه یک لنز راهبردی برای تشخیص وضعیت حوزه، طراحی برنامه پژوهشی، شناسایی همکاران بینالمللی، انتخاب ژورنال هدف و در نهایت، مشارکت فعال در گفتمان جهانی رشته است. رشد نمایی استنادات راهنماهای این حوزه، اجماع بینرشتهای بر ضرورت آن، ورود ابزارهای رایگان و ظهور دستورالعملهای گزارشدهی جدید، همگی نشانگر آناند که در ۵ سال آینده، «سواد کتابسنجی» به یکی از شاخصهای ارزیابی پژوهشگر بدل خواهد شد.
پرسش این نیست که «آیا باید یاد بگیرم؟» — پرسش این است که «چقدر سریع میتوانم؟». ابزارها رایگاناند، منابع آموزشی رسمی مانند دورههای بینالمللی آکادمی تحلیل آماری در دسترساند و اجتماع جهانی این حوزه (از Aria، Cuccurullo و Van Eck گرفته تا Donthu، Kumar و Lim) با نشریات باز خود، مسیر ورود را هموار کردهاند. آنچه لازم است، تصمیم پژوهشگر است. مقاله بعدی شما در ژورنال Q1، احتمالاً از یک تحلیل کتابسنجی هوشمندانه آغاز خواهد شد — تنها اگر امروز شروع کنید.
۱۰. فهرست منابع (References)
سبک استناد: APA 7th Edition
- Ab Rashid, M. F. (2023). How to conduct a bibliometric analysis using R packages: A comprehensive guidelines. Journal of Tourism, Hospitality and Culinary Arts, 15(2), 24-39. https://ir.uitm.edu.my/id/eprint/87654/
- Akhtar, M. K. (2024). The H-index is an unreliable research metric for evaluating the publication impact of experimental scientists. Frontiers in Research Metrics and Analytics, 9, 1385080. https://doi.org/10.3389/frma.2024.1385080
- Alperin, J. P., Portenoy, J., Demes, K., Larivière, V., & Haustein, S. (2024). An analysis of the suitability of OpenAlex for bibliometric analyses. arXiv preprint. https://doi.org/10.48550/arXiv.2404.17663
- Amanullah, A., Rajeswari, S., & Gul, S. (2025). Testing the applicability of Lotka’s law, Bradford’s law, and Zipf’s law on gastritis research output. DESIDOC Journal of Library & Information Technology, 45(1), 12-20. https://doi.org/10.14429/djlit.45.1.21019
- Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
- Aria, M., Cuccurullo, C., D’Aniello, L., Misuraca, M., & Spano, M. (2024). Comparative science mapping: A novel conceptual structure analysis with metadata. Scientometrics, 129(11), 6591-6613. https://doi.org/10.1007/s11192-024-05161-6
- Bailón-Moreno, R., Jurado-Alameda, E., Ruiz-Baños, R., & Courtial, J. P. (2005). Bibliometric laws: Empirical flaws of fit. Scientometrics, 63(2), 209-229. https://doi.org/10.1007/s11192-005-0211-5
- Bernatović, I., Slavec Gomezel, A., & Černe, M. (2022). Mapping the knowledge-hiding field and its future prospects: A bibliometric co-citation, co-word, and coupling analysis. Knowledge Management Research & Practice, 20(3), 394-412. https://doi.org/10.1080/14778238.2021.1945963
- Bredahl, L. (2022). Introduction to bibliometrics and current data sources. Library Technology Reports, 58(5), 5-13. https://doi.org/10.5860/ltr.58n5
- Chemnad, K., & Othman, A. (2024). Digital accessibility in the era of artificial intelligence—Bibliometric analysis and systematic review. Frontiers in Artificial Intelligence, 7, 1349668. https://doi.org/10.3389/frai.2024.1349668
- Chen, C. (2006). CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature. Journal of the American Society for Information Science and Technology, 57(3), 359-377. https://doi.org/10.1002/asi.20317
- Chen, C. (2017). Science mapping: A systematic review of the literature. Journal of Data and Information Science, 2(2), 1-40. https://doi.org/10.1515/jdis-2017-0006
- Chen, X., Xie, H., Tao, X., Wang, F. L., Leng, M., & Lei, B. (2024). Artificial intelligence and multimodal data fusion for smart healthcare: Topic modeling and bibliometrics. Artificial Intelligence Review, 57(4), 91. https://doi.org/10.1007/s10462-024-10712-7
- Culbert, J. H., Hobert, A., Jahn, N., Haupka, N., Schmidt, M., Donner, P., & Mayr, P. (2025). Reference coverage analysis of OpenAlex compared to Web of Science and Scopus. Scientometrics, 130(4), 2475-2492. https://doi.org/10.1007/s11192-025-05293-3
- Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070
- Ellegaard, O. (2026). The method of bibliometric analysis: A critical evaluation. Scientometrics. Advance online publication. https://doi.org/10.1007/s11192-026-05670-6
- Figueiredo, R., Quelhas, O., Vieira, J., & Ferreira, J. J. (2019). The role of knowledge intensive business services in economic development: A bibliometric analysis from Bradford, Lotka and Zipf laws. Gestão & Produção, 26(4), e4356. https://doi.org/10.1590/0104-530X4356-19
- Frasca, M., La Torre, D., Pravettoni, G., & Cutica, I. (2024). Explainable and interpretable artificial intelligence in medicine: A systematic bibliometric review. Discover Artificial Intelligence, 4(1), 15. https://doi.org/10.1007/s44163-024-00114-7
- Guo, Z. F., Huang, L. H., & Lai, S. M. (2024). Global knowledge mapping and emerging research trends in the microbiome and asthma: A bibliometric and visualized analysis using VOSviewer and CiteSpace. Heliyon, 10(3), e24528. https://doi.org/10.1016/j.heliyon.2024.e24528
- Haunschild, R., & Bornmann, L. (2024). The use of OpenAlex to produce meaningful bibliometric global overlay maps of science on the individual, institutional, and national levels. PLoS ONE, 19(8), e0308041. https://doi.org/10.1371/journal.pone.0308041
- Hood, W. W., & Wilson, C. S. (2001). The literature of bibliometrics, scientometrics, and informetrics. Scientometrics, 52(2), 291-314. https://doi.org/10.1023/A:1017919924342
- Klarin, A. (2024). How to conduct a bibliometric content analysis: Guidelines and contributions of content co-occurrence or co-word literature reviews. International Journal of Consumer Studies, 48(2), e13031. https://doi.org/10.1111/ijcs.13031
- Kokol, P., Blažun Vošner, H., & Završnik, J. (2021). Application of bibliometrics in medicine: A historical bibliometrics analysis. Health Information & Libraries Journal, 38(2), 125-138. https://doi.org/10.1111/hir.12295
- Kumar, R. (2025). Bibliometric analysis: Comprehensive insights into tools, techniques, applications, and solutions for research excellence. Spectrum of Engineering and Management Sciences, 3(1), 45-70. https://doi.org/10.31181/sems3120253k
- Kurutkan, M. N. (2026). A step-by-step guide to bibliometric analysis techniques: Methodological advances and healthcare applications (2021–2026). Advances in Scientometric Research. Advance online publication.
- Leung, X. Y., Sun, J., & Bai, B. (2017). Bibliometrics of social media research: A co-citation and co-word analysis. International Journal of Hospitality Management, 66, 35-45. https://doi.org/10.1016/j.ijhm.2017.06.012
- Lim, W. M., & Kumar, S. (2024). Guidelines for interpreting the results of bibliometric analysis: A sensemaking approach. Global Business and Organizational Excellence, 43(2), 17-26. https://doi.org/10.1002/joe.22229
- Linnenluecke, M. K., Marrone, M., & Singh, A. K. (2020). Conducting systematic literature reviews and bibliometric analyses. Australian Journal of Management, 45(2), 175-194. https://doi.org/10.1177/0312896219877678
- Lu, L., Liu, G., Xu, Y., Jiang, J., & Wei, Z. (2024). A systematic review of studies on stress during the COVID-19 pandemic by visualizing their structure through COOC, VOSviewer, and CiteSpace software. Frontiers in Psychiatry, 15, 1297112. https://doi.org/10.3389/fpsyt.2024.1297112
- Martín-Martín, A., Orduna-Malea, E., Thelwall, M., & Delgado López-Cózar, E. (2018). Google Scholar, Web of Science, and Scopus: A systematic comparison of citations in 252 subject categories. Journal of Informetrics, 12(4), 1160-1177. https://doi.org/10.1016/j.joi.2018.09.002
- Marzi, G., Balzano, M., Caputo, A., & Pellegrini, M. M. (2025). Guidelines for bibliometric-systematic literature reviews: 10 steps to combine analysis, synthesis and theory development. International Journal of Management Reviews, 27(1), 81-103. https://doi.org/10.1111/ijmr.12381
- Mongeon, P., & Paul-Hus, A. (2016). The journal coverage of Web of Science and Scopus: A comparative analysis. Scientometrics, 106(1), 213-228. https://doi.org/10.1007/s11192-015-1765-5
- Mustafa, G., Rauf, A., Ahmed, B., Afzal, M. T., Nawaz, R., & Ghauri, S. A. (2023). Comprehensive evaluation of publication and citation metrics for quantifying scholarly influence. IEEE Access, 11, 65784-65801. https://doi.org/10.1109/ACCESS.2023.3289410
- Ng, J. Y., Liu, H., Masood, M., Syed, N., Stephen, D., & Moher, D. (2025). Guidance for the reporting of bibliometric analyses: A scoping review. Quantitative Science Studies, 6(1), 1-25. https://doi.org/10.1162/qss.a.12
- Okoroiwu, K. L., Okoroiwu, H. U., Ude, L. O., & Ubi, W. E. (2024). Global bibliometric analysis of cost effectiveness analysis in healthcare research from 2013 to 2023. Cost Effectiveness and Resource Allocation, 22, 54. https://doi.org/10.1186/s12962-024-00576-7
- Omer, A. A. A., Issa, I. I. M., & Abuker, Y. Y. A. (2025). Evaluating the use of VOSviewer in bibliometric and science-mapping studies: Trends, current state and future directions. International Journal of Current Research in Science, Engineering & Technology, 8(2), 112-128. https://urfjournals.org/
- Öztürk, O., Kocaman, R., & Kanbach, D. K. (2024). How to design bibliometric research: An overview and a framework proposal. Review of Managerial Science, 18(11), 3333-3361. https://doi.org/10.1007/s11846-024-00738-0
- Singh, V. K., Singh, P., Karmakar, M., Leta, J., & Mayr, P. (2021). The journal coverage of Web of Science, Scopus and Dimensions: A comparative analysis. Scientometrics, 126(6), 5113-5142. https://doi.org/10.1007/s11192-021-03948-5
- Van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538. https://doi.org/10.1007/s11192-009-0146-3
- Van Eck, N. J., & Waltman, L. (2017). Citation-based clustering of publications using CitNetExplorer and VOSviewer. Scientometrics, 111(2), 1053-1070. https://doi.org/10.1007/s11192-017-2300-7
- Vera-Baceta, M. A., Thelwall, M., & Kousha, K. (2019). Web of Science and Scopus language coverage. Scientometrics, 121(3), 1803-1813. https://doi.org/10.1007/s11192-019-03264-z
- Xie, Y., Zhai, Y., & Lu, G. (2025). Evolution of artificial intelligence in healthcare: A 30-year bibliometric study. Frontiers in Medicine, 11, 1505692. https://doi.org/10.3389/fmed.2024.1505692
حقوق نشر و کپیرایت علمی
تمامی حقوق مادی و معنوی این مقاله و کدهای منحصربهفردِ طراحیشده در آن متعلق به نویسندگان دکتر محسن مرادی و دکتر آیدا میرالماسی میباشد. هرگونه کپیبرداری، بازنشر، ترجمه یا استفاده از این محتوای تخصصی بدون ذکر نام نویسندگان و ارجاع دقیق (لینک مستقیم فعال و فالو) به این صفحه، غیرمجاز بوده و پیگرد قانونی جدی به همراه دارد.
