Bibliometryczna metodologia prognozowania i oceny rozwoju dyscyplin naukowych. Analiza piśmiennictwa. Część 2. Badania porównawcze, hybrydowe, statystyczne, analizy dokumentów patentowych, ścieżek rozwoju dyscyplin oraz pozostałe oryginalne podejścia metodologiczne

• Authors: Opaliński Łukasz

Title variants

EN

Bibliometric Methods to Foresee and Assess the Development of Scientific Disciplines. Literature Analysis. Part 2. Comparisons, Hybrid and Statistical Methods, Analysis of Patents and Main Paths of Literature Development and Other Original Approaches in Terms of Predictive Methodology

• Languages of publication: PL EN

Abstracts

CEL/TEZA: Celem pracy jest dokonanie krytycznego przeglądu literatury naukowej dotyczącej metod ilościowych stosowanych w obszarze bibliometrycznego prognozowania przyszłego rozwoju dyscyplin naukowych. Przez „przegląd krytyczny” rozumie się wskazanie i omówienie mankamentów prezentowanych w literaturze przedmiotu podejść do rozpatrywanego problemu. KONCEPCJA/METODY BADAŃ: Przyjęta w pracy metoda polega na analizie literatury przedmiotu, stworzeniu typologii wykorzystywanych w ramach bibliometrii metod prognozowania i oceny rozwoju dyscyplin, podkreśleniu ograniczeń stosowanych w tym zakresie metod oraz wyciągnięciu wniosków końcowych. Postarano się również zaznaczyć obszary, w których przejawia się praktyczna stosowalność prognoz tempa i kierunku rozwoju dyscyplin nauki. WYNIKI I WNIOSKI: Głównym wnioskiem wypływającym z analizy literatury jest bardzo duże zróżnicowanie ilościowych metod przewidywania rozwoju dyscyplin, a także fakt, że często są one stosowane we wzajemnej izolacji. Po drugie, niemal każde z proponowanych podejść do omawianego problemu posiada różnego rodzaju wady, które niekorzystnie wpływają na uzyskiwane w jego ramach wyniki. Po trzecie, wydaje się, że szczególny potencjał prognostyczny tkwi w metodzie statystycznej analizy szeregów czasowych, chociaż w praktyce badawczej metoda ta była wykorzystywana stosunkowo rzadko. Po czwarte, odnotowano wysoki stopień interdyscyplinarności metod bibliometrycznych, które często są modyfikacjami lub zapożyczeniami metod typowych dla matematyki, informatyki, statystyki matematycznej i ekonometrii. Ostatnim wnioskiem jest stwierdzenie, że prognozowanie odbywa się najczęściej przy użyciu specjalnie sprofilowanej analizy cytowań lub analizy liczb publikacji, które ogłoszono w danej dyscyplinie w różnych latach. U podstaw metodologii opartej na analizie cytowań leży konieczność zaakceptowania funkcjonującego w socjologii wiedzy naukowej tzw. paradygmatu normatywnego, jako epistemologicznego uzasadnienia dla badania rozkładów cytowań. Metodologia oparta na ocenie liczb publikacji dyscyplinarnych jest z kolei związana z toczącą się w informatologii dyskusją na temat tematycznej relewancji publikacji naukowych. ORYGINALNOŚĆ/WARTOŚĆ POZNAWCZA: Oryginalność i wartość poznawcza pracy polega na podjęciu próby przybliżenia rozległości i stopnia zaawansowania badań prowadzonych nad przewidywaniem i oceną stanu rozwoju dyscyplin na świecie. Badania te są realizowane w polskim środowisku naukowym stosunkowo rzadko, w związku z czym wydaje się, że przegląd przyjmowanej w ich ramach metodologii mógłby przyczynić się do wzbudzenia większego zainteresowania tą problematyką. Zaakcentowanie słabych stron poszczególnych metod jest w tym kontekście podstawą do dalszego modyfikowania i udoskonalania poszczególnych metod. W obrębie całego spektrum bibliometrii istnieje bowiem jeszcze wiele przestrzeni dla tego rodzaju przedsięwzięć, ponieważ obecnie o żadnej z metod nie można powiedzieć, że idealnie spełnia ona postawione przed nią zadanie i jest „ostatnim słowem” w ramach całego nurtu prognostycznego.

Keywords

PL

Bibliometria; Metody ilościowe w informatologii; Prognozowanie; Rozwój dyscyplin naukowych

EN

Bibliometrics; Development of scientific disciplines; Predictions; Quantitative methods in information science

• Publisher: Stowarzyszenie Bibliotekarzy Polskich i Wydział Dziennikarstwa, Informacji i Bibliologii. Uniwersytet Warszawski
• Journal: Zagadnienia Informacji Naukowej - Studia Informacyjne
• Year: 2017
• Volume: 55
• Issue: 2(110)
• Pages: 73-105

Dates

received

2017-01-03

revised

2017-07-10

accepted

2017-08-05

Contributors

author

Opaliński Łukasz

• Oddział Informacji Naukowej Biblioteki Politechniki Rzeszowskiej, al. Powstańców Warszawy, 12 35–959 Rzeszów

References

• Aczel, A.D. (2007). Statystyka w zarządzaniu. Warszawa: PWN.
• Bingham, N.H., Fry, J.M. (2010). Regression. Linear Models in Statistics. London: Springer-Verlag.
• Blei, D.M., Lafferty, J.D. (2007). A Correlated Topic Model of Science. The Annals of Applied Statistics, 1(1), 17–35.
• Blondel, V.D., Guillaume, J-L., Lambiotte, R., Lefebvre, E. (2008). Fast Unfolding of Communities in Large Networks [online]. Journal of Statistical Mechanics: Theory and Experiment, 2008, 1–12, [30.08.2017], http://iopscience.iop.org/article/10.1088/1742–5468/2008/10/P10008/meta
• Bornmann, L., Daniel, H-D. (2008). What Do Citation Counts Measure? A Review of Studies on Citing Behavior. Journal of Documentation, 64(1), 45–80.
• Boyack, K.W., Klavans, R. (2010). Co-Citation Analysis, Bibliographic Coupling and Direct Citation: Which Citation Approach Represents the Research Front Most Accurately? Journal of the American Society for Information Science and Technology, 61(12), 2389–2404.
• Boyack, K.W., Klavans, R. (2014). Creation of Highly Detailed, Dynamic, Global Model and Map of Science. Journal of the Association for Information Science and Technology, 65(4), 670–685.
• Chen, S-H., Huang, M-H., Chen, D-Z. (2012). Identifying and Visualizing Technology Evolution: A Case Study of Smart Grid Technology. Technological Forecasting and Social Change, 79(6), 1099–1110.
• Chi, Y., Tseng, B.L., Tatemura, J. (2006). Eigen-Trend: Trend Analysis in the Blogosphere Based on Singular Value Decompositions [online]. CIKM‚ 06, Proceedings of the 15th ACM International Conference on Information and Knowledge Management, Arlington, Virginia, USA, November 06–11, 2006, 68–77, [30.08.2017], http://dl.acm.org/citation.cfm?id=1183628
• Cipra, T., Hanzák, T. (2008). Exponential smoothing for irregular time series. Kybernetika, 44(3), 385–399.
• Choudhury, N., Uddin, S. (2016). Time-Aware Link Prediction to Explore Network Effects on Temporal Knowledge Evolution. Scientometrics, 108(2), 745–776.
• Daim, T., Rueda, G., Martin, H., Gerdsri, P. (2006). Forecasting Emerging Technologies: Use of Bibliometrics and Patent Analysis. Technological Forecasting and Social Change, 73(8), 981–1012.
• Debackere, K., Verbeek, A., Luwel, M., Zimmermann, E. (2002). Measuring Progress and Evolution in Science and Technology – II: The Multiple Uses of Technometric Indicators. International Journal of Management Reviews, 4(3), 213–231.
• Ena, O., Mikova, N., Saritas, O., Sokolova, A. (2016). A Methodology for Technology Trend Monitoring: The Case of Semantic Technologies. Scientometrics, 108(3), 1013–1041.
• Érdi, P., Makovi, K., Somogyvári, Z., Strandburg, K., Tobochnik, J., Volf, P., Zalányi, L. (2013). Prediction of Emerging Technologies Based on Analysis of the US Patent Citation Network. Scientometrics, 95(1), 225–242.
• Glänzel, W. (2012). Bibliometric Methods for Detecting and Visualizing Emerging Research Topics. El Profesional de la Información, 21(1), 194–201.
• Glänzel, W., Thijs, B. (2012). Using ‘Core Documents’ for Detecting and Labelling New Emerging Topics. Scientometrics, 91(2), 399–416.
• Grygiel, P., Rębisz, S., Humenny, G. (2009). Analiza bibliometryczna jako narzędzie badania efektywności nauczycieli akademickich na przykładzie Uniwersytetu Rzeszowskiego. Zarządzanie Publiczne. Zeszyty Naukowe Instytutu Spraw Publicznych Uniwersytetu Jagiellońskiego, 3(7), 65–84.
• Guo, H., Weingart, S., Börner, K. (2011). Mixed-Indicators Model for Identifying Emerging Research Areas. Scientometrics, 89(1), 421–435.
• Haegeman, K., Marinelli, E., Scapolo, F., Ricci, A., Sokolov, A. (2013). Quantitative and Qualitative Approaches in Future-Oriented Technology Analysis (FTA): From Combination to Integration? Technological Forecasting and Social Change, 80(3), 386–397.
• Hjørland, B. (2000). Relevance Research: The Missing Perspective(s): ‘Non-Relevance’ and ‘Epistemological Relevance’. Journal of the American Society for Information Science, 51(2), 209–211.
• Hood, W.W., Wilson, C.S. (2002). Solving Problems in Library and Information Science Using Fuzzy Set Theory. Library Trends, 50(3), 393–405.
• Huang, A. (2008). Similarity Measures for Text Document Clustering. In: J. Holland, A. Nicholas, D. Brignoli (eds.). Proceedings of the Sixth New Zealand Computer Science Research Student Conference (NZCSRSC 2008). Christchurch, New Zealand, April 14–18, 2008, 49–56 [online]. University of Canterbury, [30.08.2017], https://nzcsrsc08.canterbury.ac.nz/site/proceedings/NZCSRSC_2008_Proceedings.pdf
• Huang, M-H., Chang, C-P. (2015). A Comparative Study on Detecting Research Fronts in the Organic Light-Emitting Diode (OLED) Field Using Bibliographic Coupling and Co-Citation. Scientometrics, 102(3), 2041–2057.
• Hummon, N.P., Doreian, P. (1989). Connectivity in a Citation Network: The Development of DNA Theory. Social Networks, 11(1), 39–63.
• Jarneving, B. (2005). A Comparison of Two Bibliometric Methods for Mapping of the Research Front. Scientometrics, 65(2), 245–263.
• Jun, S., Park, S.S., Jang, D.S. (2012). Technology Forecasting Using Matrix Map and Patent Clustering. Industrial Management and Data Systems, 112(5), 786–807.
• Klafter, J., Sokolov, I.M. (2015). First Steps in Random Walks. Oxford: Oxford University Press.
• Kolasa, M.W. (2013). Historiografia prasy polskiej (do 1918 roku). Naukometryczna analiza dyscypliny 1945–2009. Kraków: Wydaw. Naukowe Uniwersytetu Pedagogicznego.
• Kowalska, A., Radzicka, J. (2012). Programy BibExcel i Pajek w analizach bibliometrycznych. Biuletyn EBIB [online], 3(130), 1–7, [30.08.2017], http://www.ebib.pl/images/stories/numery/130/130_kowalska_radzicka.pdf
• Krampen, G., Von Eye, A., Schui, G. (2011). Forecasting Trends of Development of Psychology from a Bibliometric Perspective. Scientometrics, 87(3), 687–694.
• Krawiec, S. (2014). Adaptacyjne modele wygładzania wykładniczego jako instrumenty prognozowania krótkoterminowego zjawisk ilościowych. Gliwice: Wydaw. Politechniki Śląskiej.
• Krzywda, M. (2010). Analiza techniczna w praktyce. Gliwice: Wydaw. Złote Myśli.
• Kucharavy, D., De Guio, R. (2011). Application of S-Shaped Curves. Procedia Engineering, 9, 559–572.
• Kuhn, T.S. (2001). Struktura rewolucji naukowych. Warszawa: Fundacja Aletheia.
• Kuusi, O., Meyer, M. (2007). Anticipating Technological Breakthroughs: Using Bibliographic Coupling to Explore the Nanotubes Paradigm. Scientometrics, 70(3), 759–777.
• Law, J., French, D. (1974). Normative and Interpretive Sociologies of Science. The Sociological Review, 22(4), 581–595.
• Lee, L-C., Lee, Y-Y., Liaw, Y-C. (2012). Bibliometric Analysis for Development of Research Strategies in Agricultural Technology: The Case of Taiwan. Scientometrics, 93(3), 813–830.
• Leydesdorff, L. (2007). Betweenness Centrality as an Indicator of the Interdisciplinarity of Scientific Journals. Journal of the American Society for Information Science and Technology, 58(9), 1303–1319.
• Liu, M. (1993). The Complexities of Citation Practice: A Review of Citation Studies. Journal of Documentation, 49(4), 370–408.
• Liu, P., Chen, B-L., Liu, K., Xie, H. (2016). Magnetic Nanoparticles Research: A Scientometric analysis of Development Trends and Research Fronts. Scientometrics, 108(3), 1591–1602.
• Liu, C., Gui, Q. (2016). Mapping Intellectual Structures and Dynamics of Transport Geography Research: A Scientometric Overview from 1982 to 2014. Scientometrics, 109(1), 159–184.
• Liu, J.S., Lu, L.Y.Y. (2012). An Integrated Approach for Main Path Analysis: Development of the Hirsh Index as an Example. Journal of the American Society for Information Science and Technology, 63(3), 528–542.
• Łapkowska-Baster, B. (2009). Miary współzależności i dynamiki zjawisk w statystyce opisowej. Przykłady i zadania. Kraków: Wydaw. UJ.
• Ma, V.C., Liu, J.S. (2016). Exploring the Research Fronts and Main Paths of Literature: A Case Study of Shareholder Activism Research. Scientometrics, 109(1), 33–52.
• Malina, A. (1994). Prognozowanie zjawisk ekonomicznych w oparciu o metody wykładniczego wygładzania szeregów czasowych. Zeszyty Naukowe/Akademia Ekonomiczna w Krakowie, 440, 15–29.
• Miyamoto, S. (1990). Fuzzy Sets in Information Retrieval and Cluster Analysis. Dordrecht: Springer Science+Business Media B.V.
• Moed, H. (2005). Citation Analysis in Research Evaluation. Dordrecht: Springer.
• Montgomery, D.C., Jennings, C.L., Kulahci, M. (2008). Introduction to Time Series Analysis and Forecasting. Hoboken: John Wiley & Sons, Inc.
• Morris, S.A. (2005). Manifestation of Emerging Specialties in Journal Literature: A Growth, Model of Papers, References, Exemplars, Bibliographic Coupling, Cocitation, and Clustering Coefficient Distribution. Journal of the American Society for Information Science and Technology, 56(12), 1250–1273.
• Newman, M.E.J. (2004). Fast Algorithm for Detecting Community Structure in Networks. Physical Review E, 69(6), art. no. 066133, 1–5.
• Osińska, V. (2010). Rozwój metod mapowania domen naukowych i potencjał analityczny w nim zawarty. Zagadnienia Informacji Naukowej, 2(96), 41–51.
• Osińska, V. (2012). Wizualizacja paradygmatów badawczych. Zagadnienia Naukoznawstwa, 3(193), 205–220.
• Persson, O. (1994). The Intellectual Base and Research Fronts of JASIS 1986–1990. Journal of the American Society for Information Science, 45(1), 31–38.
• Pindlowa, W. (1994). Informetria w nauce o informacji. Metody i problemy. Kraków: Towarzystwo Autorów i Wydawców Prac Naukowych „Universitas”.
• Potkański, J. (2010). Samoobserwacja współczesnej nauki: spojrzenie liczb. Przegląd Humanistyczny, 05/06, 137–150.
• Price, D. de Solla (1967). Mała Nauka – Wielka Nauka. Warszawa: PWN.
• Saracevic, T. (1975). Relevance: A Review of and a Framework for the Thinking on the Notion in Information Science. Journal of the American Society for Information Science, 26(6), 321–343.
• Shibata, N., Kajikawa, T., Matsushima, K. (2007). Topological Analysis of Citation Networks to Discover the Future Core Articles. Journal of the American Society for Information Science and Technology, 58(6), 872–882.
• Shibata, N., Kajikawa, Y., Takeda, Y., Matsushima, K. (2008). Detecting Emerging Research Fronts Based on Topological Measures in Citation Networks of Scientific Publications. Technovation, 28(11), 758–775.
• Shibata, N., Kajikawa, Y., Takeda, Y., Matsushima, K. (2009). Comparative Study on Methods of Detecting Research Fronts Using Different Types of Citation. Journal of the American Society for Information Science and Technology, 60(3), 571–580.
• Shumway, R.H., Stoffer, D.S. (2011). Time Series Analysis and Its Applications: With R Examples. New York: Springer.
• Sitarz, R., Heneczkowski, M., Jabłońska-Sabuka, M., Krasławski, A. (2012). Trend Analysis Methods as an Indicator of the Dynamic of Knowledge Flow in Research on Polymeric Materials: Composites, Nanocomposites and Blends [online]. Extended version of a paper presented during 11th International Symposium on Process Systems Engineering, 15–19 July 2012, Singapore, [30.08.2017], https://www.researchgate.net/profile/Matylda_Jablonska-Sabuka/publication/266142586_Clustering_Method_for_Analysis_of_Research_Fields_Examples_of_Composites_Nanocomposites_and_Blends/links/555c3f2d08aec5ac2232aec1.pdf
• Small, H., Boyack, K.W., Klavans, R. (2014). Identifying Emerging Topics in Science and Technology. Research Policy, 43(8), 1450–1467.
• Smith, L.C. (1981). Citation Analysis. Library Quarterly, 30(1), 83–106.
• Snarska, A. (2011). Statystyka. Ekonometria. Prognozowanie. Ćwiczenia z Excelem 2007. Warszawa: Placet.
• Sobczyk, M. (2008). Prognozowanie. Teoria, przykłady, zadania. Warszawa: Placet.
• Sobczyk, M. (2015). Statystyka. Warszawa: PWN.
• Sun, X., Ding, K., Lin, Y. (2016). Mapping the Evolution of Scientific Fields Based on Cross-Field Authors. Journal of Informetrics, 10(3), 750–761.
• Taylor, J.R. (2012). Wstęp do analizy błędu pomiarowego. Warszawa: PWN.
• Tseng, Y-H., Lin, Y-I., Lee, Y-Y., Hung, W-C., Lee, C-H. (2009). A Comparison of Methods for Detecting Hot Topics. Scientometrics, 81(1), 73–90.
• Tu, Y-N., Hsu, S-L. (2016). Constructing Conceptual Trajectory Maps to Trace the Development of Research Fields. Journal of the Association for Information Science and Technology, 67(8), 2016–2031.
• Upham, S.P., Small, H. (2010). Emerging Research Fronts in Science and Technology: Patterns of New Knowledge Development. Scientometrics, 83(1), 15–38.
• Van Den Besselaar, P., Heimeriks, G. (2006). Mapping Research Topics Using Word-Reference Co-Occurences: A Method and an Exploratory Case Study. Scientometrics, 68(3), 377–393.
• Verbeek, A., Debackere, K., Luwel, M., Zimmermann, E. (2002). Measuring Progress and Evolution in Science and Technology – I: The Multiple Uses of Bibliometric Indicators. International Journal of Management Reviews, 4(2), 179–211.
• Wang, C-Ch., Ho, Y-S. (2016). Research Trend of Metal-Organic Frameworks: A Bibliometric Analysis. Scientometrics, 109(1), 481–513.
• Wang, X., Wang, Z., Xu, S. (2013). Tracing Scientists’ Research Trends Realtimely. Scientometrics, 95(2), 717–729.
• Ważna, L., Bartkowski, A. (2002). Patenty i publikacje naukowe jako wskaźniki technologiczne. Bibliometria strukturalna. Management, 6(2), 171–182.
• Yan, E., Yu, Q. (2016). Using Path-Based Approaches to Examine the Dynamic Structure of Discipline-Level Citation Networks: 1997–2011. Journal of the Association for Information Science and Technology, 67(8), 1943–1955.
• Yoon, B., Park, Y. (2007). Development of New Technology Forecasting Algorithm: Hybrid Approach for Morphology Analysis and Conjoint Analysis of Patent Information. IEEE Transactions on Engineering Management, 54(3), 588–599.
• Zeliaś, A., Pawełek, B., Wanat, S. (2013). Prognozowanie ekonomiczne. Teoria, przykłady, zadania. Warszawa: PWN.
• Zheng, T., Wang, J., Wang, Q., Nie, C., Shi, Z., Wang, X., Gao, Z. (2016). A Bibliometric Analysis of Micro/Nano-Bubble Related Research: Current Trends, Present Application, and Future Prospects. Scientometrics, 109(1), 53–71.

Identifiers

ISSN

0324-8194

EISSN

2392-2648

DOI

https://doi.org/10.36702/zin.367