Unsupervised Machine Learning Method for Researchers’ Profiles Matching
| العنوان بلغة أخرى: |
طريقة التعلم الآلي غير الخاضع للإشراف لمطابقة ملفات تعريف الباحثين |
|---|---|
| المصدر: | المجلة الفلسطينية للتكنولوجيا والعلوم التطبيقية |
| الناشر: | جامعة القدس المفتوحة |
| المؤلف الرئيسي: | صباح، ثابت سليمان (مؤلف) |
| المؤلف الرئيسي (الإنجليزية): | Sabbah, Thabit Sulaiman |
| المجلد/العدد: | ع5 |
| محكمة: | نعم |
| الدولة: |
فلسطين |
| التاريخ الميلادي: |
2022
|
| الشهر: | كانون الثاني |
| الصفحات: | 44 - 59 |
| DOI: |
10.33977/2106-000-005-005 |
| ISSN: |
2520-7431 |
| رقم MD: | 1202374 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | الإنجليزية |
| قواعد المعلومات: | science |
| مواضيع: | |
| كلمات المؤلف المفتاحية: |
مطابقة ملفات تعريف الباحثين | تعلم الآلة غير الخاضع للإشراف | التشابه المعتمد على الإرتباط | خوارزمية ك | متوسطات | الباحث العلمي | Researcher Profiles Matching | Correlationbased Similarity | Unsupervised Machine Learning | Google Scholar | K-Mean Algorithm
|
| رابط المحتوى: |
| المستخلص: |
مطابقة ملفات تعريف الباحثين هي خطوة أولية ومهمة لتشكيل الفرق البحثية الفعالة. إن الاهتمامات البحثية الواسعة ومتعددة التخصصات والمتغيرة للباحثين تعقد عملية مطابقة الملفات التعريفية باستخدام الأساليب التقليدية، وتؤثر على أدائها. يهدف هذا البحث إلى حل مشكلة مطابقة الملفات الشخصية في مجال البحث العملي، والعمل البحثي من خلال توظيف طرق تعلم الآلة غير الخاضعة للإشراف. واستخدمت طريقة التصنيف (ك-متوسطات) لتصنيف ملفات تعريف الباحثين اعتمادا على التحليل الإحصائي لعناوين أبحاثهم، ووظف التشابه المبني على الارتباط لمطابقة ملفات التعريف ضمن الفئات. وتم بناء الطريقة المقترحة، وفحصها، ثم قيمت باستخدام مجموعة بيانات مستخلصة من موقع الباحث العلمي ل (جوجل). وأظهرت نتائج مطابقة الملفات الشخصية، وفحص جودة التصنيف أن المهمة المصممة قد تم إنجازها، يضاف إلى ذلك ظهور قيم تشابه عالية للأبحاث داخل الفئة وقيم ارتباط متدنية بين الفئات ويمكن لتحليل نتائج التصنيف أن تكشف معلومات مضيئة ومهمة حول العمل البحثي، والتي من شأنها أن تساعد الباحثين، ودوائر إدارة البحث، وصناع السياسات والقرارات في مهامهم المرتبطة بالعمل البحثي. Researcher Profiles Matching is an initial and important step of effective research teams’ formation. The researchers’ wide, multidisciplinary, and changeable research interests complicate the process of profile matching using traditional methods and affect its performance. This research aims to solve the problem of Profile matching in Scientific Research and Scholarly Work by employing unsupervised machine learning methods. The K-mean clustering method is utilized to categorize researcher profiles based on the statistical analysis of their publication titles, and the correlation-based similarity is employed for profile matching within the categories. The proposed method is implemented, tested, and evaluated using an extracted dataset from Google Scholar. The profile matching results and the clustering quality test result show that the designed task was achieved, in addition to high similarity values of publications within the categories and low correlation values among the clusters. Moreover, the clustering results’ analysis can reveal interesting and enlightening information about the scholarly work, which may help the researchers, research management departments, as well as policies and decision makers in their scholarly work associated tasks. |
|---|---|
| ISSN: |
2520-7431 |
عناصر مشابهة
-
Comparison of Unsupervised Learning Algorithms for Well Classification
بواسطة: اليعقوبي، حمد بن سعيد بن راشد منشور: (2024) -
A Novel Machine Learning Algorithm for Classification and Prediction
بواسطة: اسكندر، أحمد محمد منشور: (2022) -
Supervised Machine Learning Techniques for Intrusion Detection
بواسطة: العيسة، وفاء عصام جميل منشور: (2022) -
Students' Performance Evaluation Using Machine Learning Algorithms
بواسطة: عزيز، سماح فخرى منشور: (2020) -
Improving Analogy Learning Performance by Reduce Computation Time
بواسطة: Salieam, Hiba Mohamed Sulieman منشور: (2022)
