چکیده:
ارزیابی تحقیق و توسعه و ارتباط بین تولید علم و تکنولوژی در سطح کلان کشورها به دلیل حجم بالای اطلاعات و تغییر و تحولات سریع در این حوزه محدود بوده است. این پژوهش با هدف درک ارتباط و عملکرد توسعه فناوری در رابطه با فعالیتهای تولید علم در سطح کشورها صورت پذیرفته است که از نوع تحقیقات توصیفی-کاربردی میباشد. هدف ساخت مدلی با استفاده از الگوریتم های پیشرفته است که توانایی پیشبینی شاخص فناوری را بر مبنای تولید علم در کشورها داشته باشد. همچنین، تاثیر هر یک از شاخصهای علمی بر شاخص فناوری با استفاده از روش آنالیز حساسیت شبکه عصبی تعیین گردید. روش تحقیق دراین پژوهش CRISP-DM بوده و دادهها از پایگاه SJCRو سازمان جهانی مالکیت فکری (WIPO) و در بازه زمانی سالهای 2001 تا 2015 استخراج گردید. طبق نتایج تحقیق، شبکه عصبی نسبت به رگرسیون از دقت و توانایی بیشتری جهت مدلسازی برخوردار بود و نتایج تحلیل حساسیت نشان داد که مهمترین پارامتر علمسنجی جهت پیشبینی شاخص فناوری پارامتر اچایندکس و روند ارجاعدهی به مقالات بینالمللی میباشد. سیاست-گذاران میتوانند از نتایج پژوهش جهت شناسایی متغیرهای تاثیرگذار تولید علم که به ایجاد فناوری منجر میشوند بهره گیرند.
The R&D evaluation and the relation between the production of science and technology at the macro level of the countries have been limited due to the high volume of information and rapid rate of changes in this area. This research is aimed at understanding the relationship and performance of technology development in relation to science production activities across countries, which is a descriptive-applied research type. The goal of this study is to build a model using advanced algorithms that can predict the scientometric indicators based on the production of science in countries. Also, the effect of each of the scientometric indicators on the technology index was determined using the sensitivity analysis method of the neural network. The research method is CRISP-DM and the data were extracted from the SCImago Journal & Country Rank SJCR data base and the World Intellectual Property Organization (WIPO) during the time period from 2001 to 2015. According to the results, neural network has more accuracy and ability to model than the regression. The results of the sensitivity analysis showed that the most important parameter for scientometric indicators is H-index and the process of referring to the international papers. Policy makers can use the research results to identify the influential variables of science production that lead to the creation of technology
خلاصه ماشینی:
کاربرد شبکه هاي عصبي مصنوعي در پيش بيني شاخص هاي کلان علم و فناوري ايمان رئيسي واناني *١ نعيما ميرزامومن ٢ چکيده ارزيابي تحقيق و توسعه و ارتباط بين توليد علم و تکنولوژي در سطح کلان کشورها به دليل حجم بالاي اطلاعــات و تغيير و تحولات سريــع در اين حوزه محدود بوده است .
طبق نتايج تحقيــق ، شبکه عصبي نسبت به رگرسيون از دقــت و توانايي بيشتري جهت مدل سازي برخوردار بود و نتايــج تحليل حساسيت نشان داد که مهم ترين پارامتر علم سنجي جهت پيش بيني شاخص فناوري پارامتــر اچ ايندکس و روند ارجاع دهي به مقــالات بين المللي است .
با توجه به موارد ذکر شده پرسش هاي ذيل مطرح مي شوند: • با توجه به اهميت داده ها و منابع مورد استفاده جهت انجام پژوهش ، مناسب ترين منابع جهت دستيابي به اهداف تحقيق کدام است ؟ • چگونه مي توان با استفاده از قابليت مدل هاي شبکه هاي عصبي مصنوعي و رگرسيون ، شاخص فناوري کشورها را با توجه به شاخص هاي علم سنجي پيش بيني نمود؟ • کدام شاخص توليد علم در سطح کشورها اهميت نسبي بيشتري جهت پيش بيني فناوري دارد؟ نوآوري اين پژوهش در ايجاد ارتباط بين شاخص هاي توليد علم و فناوري با استفاده از تکنيک هاي نوين تحليل داده ها است .
با توجه به مطالعات و تحقيقات صورت گرفته جهت پاسخ به ســؤالات مذکور، از الگوريتم هاي شبکه عصبي مصنوعي و رگرسيــون براي مدل سازي ارتباط بين پارامترهــاي علم سنجي و فناوري استفاده گرديــد و نتايج مورد ارزيابي و مقايسه قرار گرفتند.