Analyzing thematic clusters and drawing a scientific map of big data research and online education of Scopus scientific database

Subject Areas :

Mahdi AlirezaNejad ^{1 *} , Soheil Dadfar ²

1 - Assistant Professor, Islamic Azad University, Firuzkoh Branch, Department of Management, Firozkoh, Iran
2 - PHD student of information and communication technology management, Islamic Azad University, Kish branch

Received: 2023-11-26 Accepted : 2023-12-06

Keywords: Big data, online education, scientometrics, knowledge map,

Abstract :

The development of big data in recent years has led to the production of significant science in this regard in reliable international reference databases. The aim of the current study is to analyze thematic clusters and draw a scientific map of published research to identify the current state of research in the field of big data and online education in Scopus. The current research was a quantitative and applied study and scientific methods including co-lexical analysis and network analysis were used. The research community was all the documents that were published in the Scopus citation database in the field of big data and online education, which were reviewed and analyzed. Vosviewer software was used to analyze the data. Scientometric findings showed that until November 25, 2023, the countries of China (700 documents), the United States of America (240 documents) and India (110 documents) respectively had the most scientific documents in the field of big data and education in the Scopus database. Iran was at the lowest level of this ranking with only 8 published documents. Also, the results showed that the clusters of big data, education, online education, teaching, learning systems, artificial intelligence, data mining, machine learning were among the most important clusters in the field of big data and education. Finally, considering that Iran had the fewest published documents in the field of big data and education, it is necessary for researchers to determine research needs and, accordingly, contribute to the development of knowledge in the field of big data and education.

Full-Text:



تحلیل خوشه‌های موضوعي و ترسیم نقشه علمي پژوهش‌های حوزه کلان داده و آموزش آنلاین پایگاه علمي اسکوپوس  

 

 

مهدی علیرضانژاد*¹، سهیل دادفر²

 

 

چکیده:

توسعه کلان داده در سالهای اخیر، موجب تولید علم قابل توجهی در این خصوص در پایگاه های استنادی معتبر بین المللی شده است. هدف مطالعه حاضر تحلیل خوشه های موضوعی و ترسیم نقشه علمی پژوهش های منتشر شده جهت شناسایی وضعیت موجود تحقیقات حوزه کلان داده و آموزش آنلاین در اسکوپوس است. پژوهش حاضر یک مطالعه کمی و کاربردی بود و از روش های علم سنجی شامل تحلیل هم واژگانی و تحلیل شبکه استفاده شد. جامعه پژوهش، کلیه اسنادی بود که در حوزه کلان داده و آموزش آنلاین در پایگاه استنادی اسکوپوس منتشر شده بودند که بررسی و تحلیل شدند. به منظور تجزیه و تحلیل داده ها از نرم افزار Vosviewer استفاده شد. یافته‌های علم سنجی نشان داد که تا تاریخ 25 نوامبر 2023 کشورهای چین (700 سند)، ایالات متحده امریکا (240 سند) و هند (110 سند) به ترتیب بیشترین اسناد علمی را در حوزه کلان داده و آموزش در پایگاه اسکوپوس داشتند. ایران با تنها 8 سند منتشر شده، در پایین‌ترین سطح این رتبه بندی قرار داشت. همچنین نتایج نشان داد خوشه‌های کلان داده، آموزش، آموزش آنلاین، تدریس، سیستم های یادگیری، هوش مصنوعی، داده کاوی، یادگیری ماشین از مهم ترین خوشه های حوزه کلان داده و آموزش بودند. در نهایت اینکه، با توجه به اینکه ایران دارای کمترین اسناد منتشر شده در حوزه کلان داده و آموزش بود، ضروری است محققان به تعیین نیازمندی‌های پژوهشی بپردازند و بر این اساس به توسعه دانش حوزه کلان داده و آموزش کمک نمایند.

 

واژگان کلیدی: کلان داده، آموزش آنلاین، علم سنجی، نقشه دانش.

 

 

 

 

 

 

 

 

مقدمه

    جهان به دلیل ظهور فناوری های نوآورانه به سرعت در حال تغییر است (چای³، 2019). در حال حاضر، تعداد زیادی از ابزارهای فناورانه توسط افراد استفاده می شود (شرفزمان، و همکاران⁴، 2019). در هر لحظه، حجم عظیمی از داده ها از طریق این ابزارها تولید می‌شود (اور رحمان و همکاران⁵، 2019). به منظور تأمین این داده های عظیم، فناوری ها و برنامه های کاربردی فعلی در حال توسعه هستند. این فناوری ها و برنامه ها برای تجزیه و تحلیل و ذخیره سازی داده ها مفید هستند (کالایان و همکاران⁶، 2019). اکنون، کلان داده ها به موضوعی مورد توجه محققان تبدیل شده است (انشاری، افسوس، و یونس⁷، 2019). تقاضا برای بکارگیری کلان داده در حوزه‌های مختلف به طور قابل توجهی در حال افزایش است. بخش آموزشی نیز در این شرایط مستثنی نیست. در حوزه آموزش، حجم زیادی از داده‌ها از طریق دوره‌های آنلاین، آموزش و فعالیت‌های یادگیری تولید می شود (اویی و همکاران⁸، 2017). با ظهور کلان داده ها، اکنون معلمان می توانند به عملکرد تحصیلی دانشجویان، الگوهای یادگیری و ارائه بازخورد فوری دسترسی داشته باشند (بلک و ویلیام⁹،2018). بازخورد به موقع و سازنده باعث ایجاد انگیزه و رضایت فراگیران می شود که تأثیر مثبتی بر عملکرد آنها می گذارد (ژنگ و بندر¹⁰، 2019). داده های تحصیلی می تواند به معلمان کمک کند تا آموزش آموزشی خود را تجزیه و تحلیل کنند و بر تغییرات مطابق با نیازها و نیازهای دانش آموزان تأثیر بگذارند. بسیاری از سایت‌های آموزشی آنلاین طراحی شده‌اند و دوره‌های متعددی بر اساس ترجیحات فردی دانش‌آموزان معرفی شده‌اند (هلند¹¹، 2019). بهبود حوزه آموزش به فناوری بستگی دارد. داده های بزرگ مقیاس می‌توانند نقش فوق العاده ای در مدیریت مشکلات آموزشی مختلف ایفا کنند (سورنسن¹²، 2018). بنابراین، درک اثربخشی کلان داده در آموزش برای متخصصان ضروری است تا مسائل آموزشی را به حداقل برسانند.  با گسترش COVID-19 در سراسر جهان نیز، صنعت آموزش با چالش‌های عظیمی روبرو شد. جهت پاسخگویی به این چالش‌ها، برخی از دانشگاه‌ها آموزش‌های آنلاین را راه‌اندازی نمودند و در این شرایط استفاده از کلان داده‌ و اینترنت برای آموزش آنلاین نوآورانه به یک روش آموزشی اصلی تبدیل شد. با این وجود بنظر می‌رسد، دانشگاه‌ها هنوز با چشم‌انداز توسعه و آینده آموزش آنلاین آشنا نیستند (کووی و همکاران¹³،2023). لذا شناسایی حوزه های اصلی تمرکز پژوهش‌هایی که تا به امروز در این حوزه صورت گرفته است، می تواند به شناسایی وضع موجود پژوهش‌های حوزه کلان داده و آموزش و همچنین جهت دهی مطالعات مورد نیاز آینده اثرگذار باشد. بر همین اساس، هدف مطالعه حاضر تحلیل خوشه‌های موضوعی و ترسیم نقشه علمی مطالعات موجود از طریق روش علم سنجی بود.

 

 

 

 

مروری بر ادبیات و پشینه پژوهش

    توسعه و پیشرفت سریع اینترنت و پهنای باند 5G امکان ساخت همزمان اطلاعات، اشتراک گذاری و تعامل در زمان واقعی را فراهم نموده است. به خصوص در مواقع خاص هماننددوران اپیدمی کووید 19، آموزش آنلاین به یک روش و رویکرد مهم در آموزش تبدیل شده است. مفهوم کلان داده برای اولین بار توسط ناسا در سال 1997 ارائه شد و تا به امروز توسعه یافته است (حسین و همکاران¹⁴، 2021؛ نایاک و همکاران¹⁵، 2022). تاریخچه توسعه کلان داده در شکل شمار ه 1 نشان داده شده است.  با گسترش COVID-19 در سراسر جهان، همه انواع مدارس اکنون از کلان داده ها برای آموزش آنلاین استفاده نمودند (فنگ¹⁶، 2022).

 

شکل 1، سیر تحولات مهم در توسعه کلان داده‌ها (کووی و همکاران،2023).  

        کیفیت تدریس آموزش آنلاین نوآورانه را می‌توان با بهبود منابع و شرایط تدریس و غنی‌سازی سازمان و محتوای آموزشی بهبود بخشید و توانایی‌های دانشجویان را از طریق یادگیری مستقل و یادگیری تیمی بهبود بخشید. در نهایت، پایگاه داده تدریس آنلاین بایستی جهت دستیابی به آموزش آنلاین نوآورانه با کیفیت بالا برای به دست آوردن کیفیت تدریس بهتر و تشکیل یک چرخه فضیلت‌¹⁷ بهینه شود (سو و هوئو¹⁸، 2020). در حال حاضر، فناوری پردازش کلان داده ها به طور گسترده در همه اقشار مورد استفاده قرار گرفته است و بسیاری از کشورها این فناوری را با فناوری هوش مصنوعی ترکیب کرده اند تا از مزایای این دو فناوری بطور کامل منتفع شوند (مرلو و همکاران¹⁹، 2021).

 

      کلان داده‌ها نقش مهمی را در آموزش بازی می کنند (کووی و همکاران، 2023). کلان داده آینده نه تنها پژوهش، بلکه آموزش را نیز تغییر خواهد داد. بر اساس گزارش منشور نیویورک استفاده از داده‌ها برای هدایت آموزش به عنوان یکی از پنج سیاست اصلی مرتبط با تأثیرات مهم تحصیلی عنوان گردید (بهاتیاو واسوانی²⁰،2013). یکی از فناوری‌هایی که به نقش کلان داده در آموزش کمک می‌کند، رایانش ابری²¹ است. این فناوری‌ها می‌توانند خدمات آموزشی را بهبود بخشند و به دانشجویان در دسترسی یکسان به محتوای کم‌هزینه، مربیان آنلاین و انجمن‎هایی از هم شاگردی‌ها کمک ‌نمایند. بر اساس وست²² (2012)، کلان داده‌ها می‌توانند از سیستم آموزشی کلاسیک پشتیبانی کنند و به معلمان کمک می‌کنند تا آنچه فراگیران می‌دانند و اینکه چه تکنیک‌هایی برای هر فرد مؤثرتر است، تجزیه و تحلیل کنند. به این ترتیب آنها نیز می توانند تکنیک‌ها و روش های جدیدی را در مورد کار آموزشی خود بیاموزند. از اینرو فناوری‌هایی همانند داده کاوی²³ و تجزیه و تحلیل داده‌ها²⁴ می توانند بازخورد سریعی را در مورد عملکرد تحصیلی دانشجویان و معلمان ارائه دهند. این روش‌ها می توانند تحلیل عمیقی از برخی الگوهای آموزشی ارائه دهند و دانش ارزشمندی را از آنها استخراج کنند. به این ترتیب، داده‌های جمعی و داده‌های بزرگ مقیاس²⁵ می توانند پیش بینی کنند که چه فراگیری به کمک بیشتری از سیستم آموزشی نیاز دارد و از خطر شکست یا ترک تحصیل جلوگیری می‌کنند (زیمنس، و گاسویچ²⁶،2012). کلان داده‌ به جز اینکه آموزش را شخصی‌تر و اجرایی‌تر می‌کند، انواع جدید داده‌ها به توانایی محققان برای یادگیری در مورد یادگیری کمک می‌کنند. همه این داده‌ها از دوره‌های آنلاین یا دیگر پلت‌فرم‌های یادگیری مبتنی بر فناوری می‌آیند. در این مورد، تجزیه و تحلیل آنها می تواند توانایی فراگیران را برای یادگیری بهبود بخشد و آنها را به نتایج کارآمدتری نسبت به آموزش سنتی راهنمایی نماید (پودستا و همکاران²⁷، 2014). در ادامه مزایای بکارگیری کلان داده در آموزش آورده شده است:

جدول 1، مزایای کلان داده در آموزش (دریگاس و للیوپولوس²⁸،2014)

ابعاد بهبود یافته	توضیح
بهبود آموزش	عملکرد و توانایی های یادگیری فراگیران را بهبود می‌بخشد و دروس را شخصی‌تر می‌کند. دوره‌ها را معلمان می‌توانند با کمک تجزیه و تحلیل تنظیم کنند.
تطبیق دانشجویان با برنامه‌ها	تاثیر داده باز (Open Data) در یافتن بهترین برنامه های آموزشی
تطبیق دانشجویان با اشتغال	شرکت‌ها و کارمندان می‌توانند ابزارهای جایگزین و موثرتری را برای استفاده از داده های باز برای واجد شرایط ساختن مهارت های خود با مهارت های مورد نیاز کشف کنند. همچنین، دانشجویان می‌توانند کارایی بیشتری نسبت به قبل پیدا کنند و برای مشاغلی که می‌توانند با توانایی‌هایشان مطابقت داشته باشند، درخواست دهند.
تامین مالی شفاف آموزش	این امر باعث می‌شود دانشجویان در فعالیت‌های آموزشی شرکت کنند که قبلاً توانایی آن را نداشتند. علاوه بر این می‌توانید هر چیزی را در مورد آموزش عالی انتخاب کنید و مناسب‌ترین برنامه‌های آموزشی را برای آنها کشف کنید.
مدیریت کارآمد سیستم	سیستم‌های آموزشی می‌توانند یک منبع آموزشی ماهرانه ایجاد کنند که می‌تواند به مدیران کمک کند تا منابع آموزشی مؤثرتری را فراهم کنند. به این ترتیب، این یک عملکرد بالا را تضمین می کند و یک برنامه هوشمند برای علایق آموزشی آینده را فراهم می کند.

 

     همانطور که مطرح شد، کلان داده واقعا می‌تواند آموزش را بهبود بخشد. توان ایجاد یک سیستم آموزشی مدرن و پویا را داشته باشد که هر فراگیر بتواند حداکثر بهره را از آن داشته باشد. علاوه بر این، معلمان و اساتید ابزارهای ارزشمندی دارند، در صورتی که قبلاً این ابزارها را در اختیاز نداشتند، که می‌تواند تصمیمات آنها را مشخص‌تر کند و قادر به انتخاب طیف وسیعی از روش‌های یادگیری جدید باشند (دریگاس و للیوپولوس،2014).

 

روش شناسی

   پژوهش حاضر یک مطالعه کمی و کاربردی است و از طریق روش علم سنجی شامل تحلیل هم واژگانی و تحلیل شبکه صورت گرفته است.  در اين مطالعه با بکارگیری ابزار علم‌سنجی به بررسی و ترسیم ساختار و نقشه‌های علمی مرتبط با «آموزش آنلاین و کلان داده» پرداخته شده است. جامعه پژوهش شامل کلیه اسناد منتشر شده تا تاریخ 25 نوامبر 2023 در حوزه کلان داده و آموزش آنلاین در پایگاه استنادی اسکوپوس منتشر شده بودند. جهت بازیابی رکوردهای اولیه، از طبقه بندی موضوع پایگاه اسکوپوس استفاده شد و اسناد نمایه شده در این سایت که تا تاریخ 25 نوامبر ثبت شده بودند، مورد ارزیابی قرار گرفتند. دستور سرچ در برگیرنده کلیدواژه های Big Data و Online Education بود. بدین طریق، تمامی اسنادی که در عنوان، کلید واژه ها یا چکیده یکی از این دو کلید واژه را در خود داشت، شناسایی گردید. هیچ محدودیت زمانی برای زمان انتشار اسناد در نظر گرفته نشد و بر اساس پایگاه اسکوپوس بازه زمانی بین سالهای 2002 تا 2023 تعیین شد. در ابتدا، کلیه مدارک (شامل مقاله، کتاب، فصل کتاب، گزارش‌های علمی، ...) از پایگاه استنادی «اسکوپوس» استخراج شدند. سپس با ترسيم نقشة موضوعي اين حوزه به كمك نرم‌افزار Vosviewer کار تجزیه وتحلیل اطلاعات به دست آمده از نقشه‌ها، ساختار و خوشه‌هاي تشكيل شده و روابط آنها انجام شد.

نتایج

در این بخش گام­های طی شده جهت اجرای علم­سنجی و ترسیم شبکه­های هم­واژگانی و هم­کشوری در رابطه با حوزه موضوعی «آموزش آنلاین و کلان داده» تشریح شده است. تعداد نتایج حاصله 1825 مدرک (شامل مقاله، کتاب و...) تا سال 2023 میلادی می­باشد که از این پایگاه بازیابی شده و در ادامه به تحلیل نتایج به دست آمده خواهیم پرداخت. تعداد مدارک منتشر شده در دنیا در این حوزه و روند آن در نمودار (1) نشان داده شده است.

 

 

نمودار 1، روند مدارک منتشر شده در دنیا در حوزه «آموزش آنلاین و کلان داده»  

 

وضعیت نوع مدارک منتشر شده (مقاله کنفرانسی، مقاله ژورنال، کتاب، فصل از کتاب، ...) در دنیا و همچنین درصد مدارک مربوطه در این حوزه نیز در شکل زیر نشان داده شده است. همانطور که مشخص است، مقالات کنفرانسی بیشترین میزان مدارک منتشر شده در این حوزه با بیش از 48 درصد را به خود اختصاص داده‌اند.

  

نمودار 2، وضعیت مدارک منتشر شده در دنیا در حوزه «آموزش آنلاین و کلان داده»

    

نویسندگان این حوزه در دنیا، با بیشترین تعداد مدرک منتشر شده (10 نویسنده برتر) در نمودار زیر نشان داده شده است.

 

نمودار 3، نویسندگان برتر در حوزه «آموزش آنلاین و کلان داده» در دنیا  

 

 

همچنین 10 موسسه/دانشگاه/مرکز تحقیقاتی در دنیا که بیشترین تعداد مدارک را در این زمینه منتشر نموده‌اند در نمودار زیر نشان داده شده است.

 

نمودار 4، نهادهای برتر دنیا در حوزه «آموزش آنلاین و کلان داده» 

 

وضعیت رتبه­بندی کشورهای دارای بیشترین مدرک منتشر شده در جهان نیز در نمودار زیر نشان داده شده است. همانگونه که مشخص است کشورهای چین،ایالات متحده امریکا، و هند در صدر این رتبه­بندی قرار دارند.

 

نمودار 5، کشورهای دارای بیشترین مدرک منتشر شده در جهان در حوزه «آموزش آنلاین و کلان داده»

 

     در ادامه وضعیت کشور ایران نیز در مقایسه با ده کشور برتر آورده شده است (با 8 سند):

 

نمودار 6، وضعیت ایران در مقایسه با کشورهای دارای بیشترین مدرک منتشر شده در حوزه «آموزش آنلاین و کلان داده» 

 

وضعیت و میزان مدارک منتشر شده در حوزه­های موضوعی مختلف نیز در نمودار زیر نشان داده شده است. همانگونه که در نمودار زیر نشان داده شده است، حوزه «علوم کامپیوتر» بیشترین میزان مدارک (33 درصد) را در این حوزه به خود اختصاص داده­اند.

 

نمودار7، وضعیت و میزان مدارک منتشر شده در زمینه‌های موضوعی مختلف در حوزه «آموزش آنلاین و کلان داده»

 

   در ادامه و به­منظور ترسیم ساختار این حوزه در دنیا، در ابتدا با استفاده از خروجی­های حاصل از پایگاه «اسکوپوس» و با بهره­گیری از نرم­افزار Vosviewer، تحلیل واژگان مربوطه در مدارک انجام شده است. در این قسمت لغات موجود در مدارک استخراج و مرتبط‌ترین واژگان از میان آن­ها جهت نمایش در شبکه انتخاب شده­اند. اینکار باعث می­شود که لغاتی که اهمیت کمتری در این مدارک دارند، حذف شده و شبکه نیز فقط بر روی نمایش لغات مهم در این حوزه متمرکز شود.

 

جدول 2، واژگان و فراوانی تکرار «آموزش آنلاین و کلان داده» 

تعداد تکرار	واژه
870	Big Data
617	e-learning
481	students
287	Learning systems
291	Teaching
281	Education
260	Education computing
233	Data mining 239

 

در گام بعدی باید خروجی به­دست آمده از پایگاه اسکوپوس را وارد نرم افزار Vosviewer نماییم و تحلیل‌های مربوطه را انجام دهیم. اولین خروجی که از این نرم افزار به­دست آمده است مطابق شکل زیر است. کوچک یا بزرگ بودن دایره­ها در شکل زیر نشان­دهنده این موضوع است که در حوزه «آموزش آنلاین و کلان داده»، چه میزان هر واژه تکرار شده است. همانطور که در این شکل مشخص است، واژه‌های کلان داده، آموزش، آموزش آنلاین، تدریس، سیستم های یادگیری، هوش مصنوعی، داده کاوی، یادگیری ماشین  چون دایره­های بزرگتری دارند، در واقع بیشترین تکرار را در میان مدارک منتشر شده در این حوزه دارند. در اين نقشه هر يك از رنگ‌هاي به­كار رفته، معرف يك خوشه موضوعی مي­باشد. همانطور که مشخص است واژگان موردنظر در هفت خوشه دسته‌بندی شده­اند.

نمودار 8، شبکه هم واژگانی در حوزه «آموزش آنلاین و کلان داده»

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

خوشه­های 7 گانه به صورت دقیقتر و مصورسازی شده در شکل زیر نشان داده شده است.

 

نمودار 9، شبکه هم واژگانی به تفکیک سال در حوزه «آموزش آنلاین و کلان داده»

 

همچنین وضعیت تراکم (چگالی) و پراکندگی واژگان در این حوزه نیز در نمودار (10) نشان داده شده است.

 

نمودار 10، شبکه هم واژگانی در حوزه «آموزش آنلاین و کلان داده»

 

در نمودار بالا، بیشترین میزان توجه به واژگان با رنگ زرد نشان داده شده است. بنابراین لغاتی همچون کلان داده، یادگیری الکترونیکی، سیستم های آنلاین، داده کاوری، یادگیری عمیق دارای بیشترین توجه در این حوزه است و در نتیجه در ناحیه زرد قرار دارد. به همین ترتیب رنگ­های سبز و آبی بیشترین میزان توجه را به خود اختصاص داده­اند. همچنین دوری و نزدیکی لغات نیز در این نمودار دارای معنی و مفهوم می­باشد. به این­صورت که مثلا اگر فاصله دو واژه نسبتا کم باشد در نتیجه می­توان بیان نمود که این 2 واژه در مدارک زیادی با هم بکار رفته‌اند. همچنین اگر فاصله دو واژه از هم زیاد باشد به این معنی است که در مدارک کمی این دو واژه با یکدیگر به­کار رفته­اند.

 

وضعیت ارتباطات و همکاری­های بین­المللی میان کشورها در زمینه «آموزش آنلاین و کلان داده» نیز در شکل زیر نشان داده شده است.

 

 

نمودار 11، همکاری‌های بین المللی کشورها در حوزه «آموزش آنلاین و کلان داده»

 

بحث

      کلان داده به بخش ضروری قلمرو آموزشی تبدیل شده است (بایگ و همکاران²⁹، 2020). در دهه‌های اخیر، افزایش دسترسی به کلان داده منجر به ایجاد مرزهای جدیدی در نحوه نظارت، درک و ارزیابی فرآیندها در زمینه‌های آموزشی شده و تلاش‌ها برای بهبود اثربخشی آموزشی مبتنی بر فناوری کلان داده را برانگیخته است (فیشر و همکاران³⁰، 2020).  یافته های حاصل از مطالعه حاضر می تواند در شناسایی جایگاه علمی کشور در راستای مطالعات حوزه کلان داده و آموزش کمک شایانی نماید و مسیر علمی کشور نسبت یه سایر کشورها را نشان دهد. علاوه بر این شناخت و آگاهی از نتایج مطالعات حوزه کلان داده و آموزش می تواند به سیاستگذاران و دست اندرکاران حوزه آموزش در کشور در راستای تصمیم گیری بهتر و ارائه نقشه دانشی و مطالعاتی در این زمینه مفید بودن و آنان را در ارائه راهکارهای اثربخش و بهینه راهنمایی نماید. همانطور که نتایج علم سنجی نشان داد، بیشترین تولیدات علمی در حوزه کلان داده و آموزش به ترتیب به کشورهای چین (700 سند)، ایالات متحده امریکا (240 سند) و هند (110 سند) بود و این کشورها دارای بیشترین نشر علمی در حوزه کلان داده و آموزش بودند. ایران با نشر تنها 8 سند در این حوزه در پایین نمودار رتبه بندی انتشار اسناد قرار داشت. عملکرد ایران در دنیا در این رابطه نسبتا ضعیف بوده است. بر همین اساس، لزوم توجه محققان ایرانی به توسعه مطالعات حوزه فناوری کلان داده در آموزش مشخص می‌باشد.

     همانطور که در نمودار شماره 11 مشخص است، همکاری‌ها و تبادلات بین المللی در این حوزه در بین سه کشور مطرح شده دارای بیشترین میزان بود و در بین کشورهای آسیایی تنها کشور اندونزی و مالزی با رتبه های ششم و هفتم در رتبه بندی حضور داشتند. همچنین بررسی وضعیت مدارک منتشر شده در حوزه های موضوعی مختلف نشان داد که 33 درصد مدارک در حوزه علوم کامپیوتری، 16 درصد در حوزه علوم اجتماعی، 14 درصد در حوزه مهندسی و بقیه حوزه ها کمتر از 7 درصد از مدارک منتشر شده را به خود اختصاص داده‌اند. با توجه به قرارگیری آموزش در حوزه علوم اجتماعی، بنظر می رشد محققان باعلوم اجتماعی باید توجه بیشتری به توسعه مطالعات کلان داده در زمینه آموزش بپردازند. از سوی دیگر گزارش علم سنجی نشان داد که بیشتر مدارک حوزه کلان داده و آموزش در دنیا به شکل مقالات کنفرانسی (48 درصد) منتشر شده اند، که خود این موضوع حاکی از اهمیت این زمینه و برگزاری کنفرانس‌های متعدد در راستای توسعه دانش در حوزه کلان داده و آموزش می‌باشد. خوشه­های حوزه کلان داده و آموزش به صورت دقیقتر در شکل زیر آورده شده است.

 

نمودار 12، خوشه­های شبکه هم واژگانی

     بر اساس نتایج مربوط به تحلیل هم واژگانی حوزه کلان داده و آموزش، حوزه های قابل بررسی توسط محققان عبارتند از: کلان داده، آموزش، آموزش آنلاین، تدریس، سیستم های یادگیری، هوش مصنوعی، داده کاوی، یادگیری ماشین.  

 

منابع

1)       Anshari, M., Alas, Y., & Yunus, N. (2019). A survey study of smartphones behavior in Brunei: A proposal of Modelling big data strategies. In Multigenerational Online Behavior and Media Use: Concepts, Methodologies, Tools, and Applications (pp. 201-214). IGI Global.

2)       Bhatia, A., & Vaswani, G. (2013). Big data-a review. IEEE International Journal of Engineering Sciences & Research Technology IJESRT

3)       Black, P., & Wiliam, D. (2018). Classroom assessment and pedagogy. Assessment in education: Principles, policy & practice, 25(6), 551-575.

4)       Chae, B. K. (2019). A General framework for studying the evolution of the digital innovation ecosystem: The case of big data. International Journal of Information Management, 45, 83-94.

5)       Cui, Y., Ma, Z., Wang, L., Yang, A., Liu, Q., Kong, S., & Wang, H. (2023). A survey on big data-enabled innovative online education systems during the COVID-19 pandemic. Journal of Innovation & Knowledge, 8(1), 100295. 

6)       Feng, B. (2022, February). Research on Family Education in Remote Chinese Areas Impacted by COVID-19. In 2021 International Conference on Education, Language and Art (ICELA 2021) (pp. 1035-1040). Atlantis Press.

7)       Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., ... & Warschauer, M. (2020). Mining big data in education: Affordances and challenges. Review of Research in Education, 44(1), 130-160.

8)       Holland, A. A. (2019). Effective principles of informal online learning design: A theory-building metasynthesis of qualitative research. Computers & Education, 128, 214-226.

9)       Hossain, M. J., Ahmmed, F., Rahman, S. A., Sanam, S., Emran, T. B., & Mitra, S. (2021). Impact of online education on fear of academic delay and psychological distress among university students following one year of COVID-19 outbreak in Bangladesh. Heliyon, 7(6).

10)       Kalaian, S. A., Kasim, R. M., & Kasim, N. R. (2019). Descriptive and predictive analytical methods for big data. In Web services: Concepts, methodologies, tools, and applications (pp. 314-331). IGI Global.

11)       Merlo, A., Hendriksen, P. A., Garssen, J., Bijlsma, E. Y., Engels, F., Bruce, G., & Verster, J. C. (2021). Transition to online education during the COVID-19 pandemic: Impact of changes in alcohol consumption and experiencing hangovers on academic functioning. Journal of Clinical Medicine, 10(22), 5332.

12)       Nayak, B., Bhattacharyya, S. S., Goswami, S., & Thakre, S. (2022). Adoption of online education channel during the COVID-19 pandemic and associated economic lockdown: An empirical study from push–pull-mooring framework. Journal of Computers in Education, 9(1), 1-23.

13)       Oi, M., Yamada, M., Okubo, F., Shimada, A., & Ogata, H. (2017, March). Reproducibility of findings from educational big data: a preliminary study. In Proceedings of the seventh international learning analytics & knowledge conference (pp. 536-537).

14)       Podesta, J., Pritzker, P., Moniz, E. J., Holdren, J., & Zients, J. (2014). Big data: seizing opportunities, preserving values (Executive Office of the President). The White House, Washington, DC.

15)       Shorfuzzaman, M., Hossain, M. S., Nazir, A., Muhammad, G., & Alamri, A. (2019). Harnessing the power of big data analytics in the cloud to support learning analytics in mobile learning environment. Computers in Human behavior, 92, 578-588.

16)       Siemens, G., & Gasevic, D. (2012). Guest editorial-learning and knowledge analytics. Journal of Educational Technology & Society, 15(3), 1-2.

17)       Sorensen, L. C. (2019). “Big data” in educational administration: An application for predicting school dropout risk. Educational Administration Quarterly, 55(3), 404-446.

18)       Su, B., & Hu, Q. (2020, August). Research on improving the quality of online teaching based on big data under the COVID-19 coronavirus epidemic. In Journal of Physics: Conference Series (Vol. 1616, No. 1, p. 012018). IOP Publishing.

19)       ur Rehman, M. H., Yaqoob, I., Salah, K., Imran, M., Jayaraman, P. P., & Perera, C. (2019). The role of big data analytics in industrial Internet of Things. Future Generation Computer Systems, 99, 247-259.

20)       West, D. M. (2012). Big data for education: Data mining, data analytics, and web dashboards. Governance studies at Brookings, 4(1), 1-10. 

21)       Zheng, M., & Bender, D. (2019). Evaluating outcomes of computer-based classroom testing: Student acceptance and impact on learning and exam performance. Medical teacher, 41(1), 75-82.

 

Analyzing thematic clusters and drawing a scientific map of big data research and online education of Scopus scientific database

 

Abstract:

The development of big data in recent years has led to the production of significant science in this regard in reliable international reference databases. The aim of the current study is to analyze thematic clusters and draw a scientific map of published research to identify the current state of research in the field of big data and online education in Scopus. The current research was a quantitative and applied study and scientific methods including co-lexical analysis and network analysis were used. The research community was all the documents that were published in the Scopus citation database in the field of big data and online education, which were reviewed and analyzed. Vos viewer software was used to analyze the data. Scient metric findings showed that until November 25, 2023, the countries of China (700 documents), the United States of America (240 documents) and India (110 documents) respectively had the most scientific documents in the field of big data and education in the Scopus database. Iran was at the lowest level of this ranking with only 8 published documents. Also, the results showed that the clusters of big data, education, online education, teaching, learning systems, artificial intelligence, data mining, machine learning were among the most important clusters in the field of big data and education. Finally, considering that Iran had the fewest published documents in the field of big data and education, it is necessary for researchers to determine research needs and, accordingly, contribute to the development of knowledge in the field of big data and education.

 

Keyword: Big data, online education, scient metrics, knowledge map

---

[1]  استادیار دانشگاه آزاد اسلامی واحد فیروزکوه، گروه مدیریت، فیروزکوه، ایران (نویسنده مسئول) [e-mail]

[2]  دانشجوی دکتری مدیریت فناوری اطلاعات و ارتباطات دانشگاه آزاد اسلامی واحد کیش

[3]  Chae

[4]  Shorfuzzaman, M., Hossain, M. S., Nazir, A., Muhammad, G., & Alamri, A

[5]  ur Rehman et al 

[6]  Kalaian, Kasim, & Kasim

[7]  Anshari, Alas, & Yunus

[8]  Oi, Yamada, Okubo, Shimada, & Ogata

[9]  Black & Wiliam

[10]  Zheng & Bender

[11]  Holland, A. A.

[12]  Sorensen

[13]  Cui, Y., Ma, Z., Wang, L., Yang, A., Liu, Q., Kong, S., & Wang, H 

[14]  Hossain M J & Ahmmed F & Rahman

[15]  Nayak B & Bhattacharyya S & Goswami

[16]  Feng B

[17]   virtuous circle: به زنجیره‌ای پیچیده از رویدادها گفته می‌شود که از طریقِ مکانیسمِ بازخورد یکدیگر را تقویت می‌کنند. چنان‌چه این تقویت در راستایِ ایجادِ نتایجی روز به روز بهتر باشد به آن «چرخه‌ی فضیلت» می‌گویند.

[18]  Su B & Hu Q

[19]   Merlo A & Hendriksen P A & Garssen J 

[20]  Bhatia, A., & Vaswani

[21]  Cloud Computing

[22]  West, D. M.

[23]  Data mining

[24]  Data analytics

[25]  big scale data

[26]  Siemens, G., & Gasevic, D. 

[27]  Podesta, J., Pritzker, P., Moniz, E. J., Holdren, J., & Zients, J.  

[28]  Drigas, A. S., & Leliopoulos, P

[29]  Baig, M. I., Shuib, L., & Yadegaridehkordi, E.

[30]  Fischer, C., Pardos, Z. A., Baker, R. S., Williams, J. J., Smyth, P., Yu, R., ... & Warschauer, M

---