مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

759
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

601
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

تشخیص خودکار شاخه موضوعی اصطلاحات سرعنوان های موضوعی پزشکی با مقایسه نسبت فراوانی آن ها در مدارک مرتبط و غیرمرتبط

صفحات

 صفحه شروع 48 | صفحه پایان 60

چکیده

 مقدمه: تحت تاثیر پویایی اصطلاحات تخصصی, امروزه طبقه بندی موضوعات پیچیده تر شده است زیرا هر مدرک می تواند در چند طبقه موضوعی جای بگیرد. بر این اساس, پژوهش حاضر با هدف تعیین کارآمدی روش تشخیص خودکار شاخه اصلی اصطلاحات MeSH از طریق محاسبه نسبت فراوانی آن ها در دسته مدارک مرتبط و غیر مرتبط انجام شد.روش بررسی: روش پژوهش توصیفی, با استفاده از تحلیل اسنادی و نوع آن کاربردی است. در تیر ماه 1391 شمسی از MeSH و پایگاه PubMed به عنوان منابع گردآوری اطلاعات بهره گرفته شد. اعتبار این منابع, روا بودن بهره گیری از آن ها را تائید می کند. تعداد 18164 اصطلاح MeSH و 163226 مدرک از PubMed برگزیده شد. در گزینش آن ها, هیچ محدودیت زمانی اعمال نشد. این تعداد, از حجم نمونه به روش کوکران بالاتر بود. با جستجو در PubMed, یازده دسته مدرک حاصل شد. نسبت حضور هر اصطلاح در این دسته ها محاسبه و نتیجه با شاخه واقعی آن در درخت MeSH مقایسه شد. شاخه اصلی یک درصد از این اصطلاحات توسط متخصصان پزشکی نیز پیش بینی گردید. برای بررسی داده ها, از روش توزیع فراوانی و آزمون های T و Chi-Squar بهره گرفته شد. تحلیل داده ها با نرم افزار SPSS صورت گرفت.یافته ها: مدارک PubMed به طور متوسط به سه شاخه مربوط بودند و غالب اصطلاحات در تمامی دسته ها حضور داشتند. مشخص شد که روش پیشنهادی, احتمال تشخیص منطبق با ساختار درخت موضوعی MeSH را افزایش می دهد و کارآمدی آن بسته به شاخه موضوعی, بین 3 تا 67 درصد متفاوت است. پیش بینی متخصصان پزشکی درباره شاخه موضوعی هر اصطلاح, به طور معناداری با ساختار MeSH منطبق بود.نتیجه گیری: سطح انطباق تشخیص طبقه موضوعات به روش های عینی و ذهنی در حوزه های گوناگون فرق می کند. از آن جا که طبقه بندی های ذهنی کاری کاملا ادراکی و مربوط به تجربه های بیرونی بشری است, مدل های ماشینی نمی توانند دقیقا آن فرآیند را مشابه سازی کنند.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    توکلی زاده راوری، محمد، غفاری، سعید، و مصطفوی، فروغ. (1394). تشخیص خودکار شاخه موضوعی اصطلاحات سرعنوان های موضوعی پزشکی با مقایسه نسبت فراوانی آن ها در مدارک مرتبط و غیرمرتبط. مدیریت اطلاعات سلامت، 12(1 (پیاپی 41) )، 48-60. SID. https://sid.ir/paper/121927/fa

    Vancouver: کپی

    توکلی زاده راوری محمد، غفاری سعید، مصطفوی فروغ. تشخیص خودکار شاخه موضوعی اصطلاحات سرعنوان های موضوعی پزشکی با مقایسه نسبت فراوانی آن ها در مدارک مرتبط و غیرمرتبط. مدیریت اطلاعات سلامت[Internet]. 1394؛12(1 (پیاپی 41) ):48-60. Available from: https://sid.ir/paper/121927/fa

    IEEE: کپی

    محمد توکلی زاده راوری، سعید غفاری، و فروغ مصطفوی، “تشخیص خودکار شاخه موضوعی اصطلاحات سرعنوان های موضوعی پزشکی با مقایسه نسبت فراوانی آن ها در مدارک مرتبط و غیرمرتبط،” مدیریت اطلاعات سلامت، vol. 12، no. 1 (پیاپی 41) ، pp. 48–60، 1394، [Online]. Available: https://sid.ir/paper/121927/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button