Βιβλιοθήκη ΟΠΑ - Ψηφιακό Αποθετήριο

ΠΥΞΙΔΑ Ιδρυματικό Αποθετήριο
και Ψηφιακή Βιβλιοθήκη

Όνομα χρήστη
Κωδικός πρόσβασης

Συλλογές :	Ιδρυματικό Αποθετήριο ΟΠΑ / AUEB Institutional Repository Σχολή Διοίκησης Επιχειρήσεων / School of Business Τμήμα Διοικητικής Επιστήμης και Τεχνολογίας / Department of Management Science and Technology Μεταπτυχιακές Εργασίες / Postgraduate dissertations

Τίτλος :	Investigating the application of text mining techniques to enhance research performance indicators

Εναλλακτικός τίτλος :	Διερεύνηση της εφαρμογής τεχνικών εξόρυξης κειμένου για τη βελτίωση των δεικτών αξιολόγησης της απόδοσης των δημοσιευμένων ερευνητικών εργασιών

Δημιουργός :	Νούσκαλη, Φωτεινή-Νεφέλη Nouskali, Foteini-Nefeli

Συντελεστής :	Chatziantoniou, Damianos (Επιβλέπων καθηγητής) Karlis, Dimitrios (Εξεταστής) Louridas, Panagiotis (Εξεταστής) Athens University of Economics and Business, Department of Management Science and Technology (Degree granting institution)

Τύπος :	Text

Φυσική περιγραφή :	129p.

Γλώσσα :	en

Αναγνωριστικό :	http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=11384

Περίληψη :	Αυτή η διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών εξόρυξης κειμένου για τη βελτίωση των δεικτών αξιολόγησης απόδοσης του ερευνητικού δημοσιευμένου υλικού. Οι παραδοσιακές μετρικές (Δείκτες Αξιολόγησης Απόδοσης) βασίζονται στον αριθμό των παραθέσεων από άλλες ερευνητικές εργασίες, ενώ παρουσιάζουν ελλείψεις στο να αποτυπώνουν την πολύπλοκη ποιοτική επίδραση που μια ερευνητική εργασία έχει σε όσες την παραθέτουν και σχολιάζουν τα ευρήματά της, συχνά παραβλέποντας τις ποιοτικές πτυχές της παράθεσης μιας εργασίας από μία άλλη όπως η τάση αποδοχής της και η πρόθεσή με την οποία πραγματοποιείται η παράθεση. Για να αντιμετωπιστούν αυτοί οι περιορισμοί, η μελέτη προτείνει ένα σύνθετο μεθοδολογικό πλαίσιο που ενσωματώνει προηγμένα μοντέλα ταξινόμησης κειμένου και σχήματα ταξινόμησης πρόθεσης παράθεσης ερευνητικής εργασίας, προσφέροντας μια λεπτομερή ανάλυση των διαφορετικών σχημάτων ιεράρχησης των προθέσεων βάση των οποίων γίνονται παραθέσεις. Μέσω μιας εμπειρικής ανάλυσης που χρησιμοποιεί δεδομένα από προηγούμενες μελέτες, προερχόμενα από βιβλιογραφικές βάσεις δεδομένων, χρησιμοποιούνται τόσο μοντέλα νευρωνικών δικτύων που εκπαιδεύονται σε δεδομένα με γνωστές κλάσεις όσο και μοντέλα που εκπαιδεύονται σε δεδομένα για τα οποία δεν παρέχεται η κλάση, ώστε να αναπτυχθούν μηχανισμοί πρόβλεψης της πρόθεσης μιας παράθεσης μέσα από το κείμενο στο οποίο γίνεται η συγκεκριμένη παράθεση ώστε να ενταχθεί αυτό το ποιοτικό χαρακτηριστικό στους δείκτες αξιολόγησης της απόδοσης της έρευνας. Αυτή η προσέγγιση στοχεύει στο να παρουσιάσει τη δυσκολία εύρεσης της πραγματικής επιρροής μιας δημοσιευμένης ερευνητικής εργασίας αλλά παρέχει και τις πρώτες ενδείξεις για το αν ποιοτικά χαρακτηριστικά επιρροής μιας ερευνητικής εργασίας μπορούν να αποδοθούν σε μετρικές δεικτών αξιολόγησης απόδοσης που βασίζονται στον αριθμό παραθέσεων. Τα ευρήματα υπογραμμίζουν τη δυναμική των τεχνικών εξόρυξης κειμένου στην αξιοποίησή τους για την αξιολόγηση του αντίκτυπου των ερευνητικών εργασιών, αναδεικνύοντας αφενός τη δυσκολία να διαμορφωθούν οι δείκτες που εμπεριέχουν ποιοτικά χαρακτηριστικά όπως η πρόθεση ή το συναίσθημα βάση του οποίου γίνεται μία παράθεση όσο και πόσο διαφορετικά αποτελέσματα προκύπτουν στην αξιολόγηση ερευνητικών εργασιών χρησιμοποιώντας απλές μετρικές ή μετρικές που εμπεριέχουν ποιοτικά χαρακτηριστικά. This thesis delves into the application of text mining techniques to refine research performance indicators, focusing on the intricate analysis of citation intent to enhance the assessment of scientific contributions in scientometrics. Traditional citation-based metrics, while useful, fall short in capturing the complex dynamics of research impact, often overlooking the qualitative aspects of citations such as sentiment and intent. To address these limitations, the study proposes a sophisticated methodological framework that integrates advanced text classification models and citation intent classification schemes, offering a granular analysis of citation contexts. Through an empirical analysis utilizing annotated datasets from previous studies, derived from bibliographic databases, the research employs both zero-shot and supervised deep learning models to identify citation intents, revealing if the inclusion of citation intent can significantly enrich research performance indicators. This approach not only provides a deeper understanding of the multifaceted nature of research impact but also gives first indications for efficiency of developing more context-sensitive metrics in scientometrics. By acknowledging the diverse purposes behind citations, this thesis contributes to a more equitable evaluation of scientific research intentions, suggesting a shift towards metrics that account for the richness of academic discourse and the validity this option carries. The findings underscore the potential of text mining techniques in revolutionizing research evaluation, advocating for metrics that are informed by the semantic layers of citations. This thesis offers experimental indications for future studies to further refine citation intent classification schemes and explore their application across various scientific disciplines and the research performance indicators used across each discipline, promising to enhance the transparency and fairness of research evaluation processes.

Περίληψη :

Αυτή η διπλωματική εργασία εξετάζει την εφαρμογή τεχνικών εξόρυξης κειμένου για τη βελτίωση των δεικτών αξιολόγησης απόδοσης του ερευνητικού δημοσιευμένου υλικού. Οι παραδοσιακές μετρικές (Δείκτες Αξιολόγησης Απόδοσης) βασίζονται στον αριθμό των παραθέσεων από άλλες ερευνητικές εργασίες, ενώ παρουσιάζουν ελλείψεις στο να αποτυπώνουν την πολύπλοκη ποιοτική επίδραση που μια ερευνητική εργασία έχει σε όσες την παραθέτουν και σχολιάζουν τα ευρήματά της, συχνά παραβλέποντας τις ποιοτικές πτυχές της παράθεσης μιας εργασίας από μία άλλη όπως η τάση αποδοχής της και η πρόθεσή με την οποία πραγματοποιείται η παράθεση. Για να αντιμετωπιστούν αυτοί οι περιορισμοί, η μελέτη προτείνει ένα σύνθετο μεθοδολογικό πλαίσιο που ενσωματώνει προηγμένα μοντέλα ταξινόμησης κειμένου και σχήματα ταξινόμησης πρόθεσης παράθεσης ερευνητικής εργασίας, προσφέροντας μια λεπτομερή ανάλυση των διαφορετικών σχημάτων ιεράρχησης των προθέσεων βάση των οποίων γίνονται παραθέσεις. Μέσω μιας εμπειρικής ανάλυσης που χρησιμοποιεί δεδομένα από προηγούμενες μελέτες, προερχόμενα από βιβλιογραφικές βάσεις δεδομένων, χρησιμοποιούνται τόσο μοντέλα νευρωνικών δικτύων που εκπαιδεύονται σε δεδομένα με γνωστές κλάσεις όσο και μοντέλα που εκπαιδεύονται σε δεδομένα για τα οποία δεν παρέχεται η κλάση, ώστε να αναπτυχθούν μηχανισμοί πρόβλεψης της πρόθεσης μιας παράθεσης μέσα από το κείμενο στο οποίο γίνεται η συγκεκριμένη παράθεση ώστε να ενταχθεί αυτό το ποιοτικό χαρακτηριστικό στους δείκτες αξιολόγησης της απόδοσης της έρευνας. Αυτή η προσέγγιση στοχεύει στο να παρουσιάσει τη δυσκολία εύρεσης της πραγματικής επιρροής μιας δημοσιευμένης ερευνητικής εργασίας αλλά παρέχει και τις πρώτες ενδείξεις για το αν ποιοτικά χαρακτηριστικά επιρροής μιας ερευνητικής εργασίας μπορούν να αποδοθούν σε μετρικές δεικτών αξιολόγησης απόδοσης που βασίζονται στον αριθμό παραθέσεων. Τα ευρήματα υπογραμμίζουν τη δυναμική των τεχνικών εξόρυξης κειμένου στην αξιοποίησή τους για την αξιολόγηση του αντίκτυπου των ερευνητικών εργασιών, αναδεικνύοντας αφενός τη δυσκολία να διαμορφωθούν οι δείκτες που εμπεριέχουν ποιοτικά χαρακτηριστικά όπως η πρόθεση ή το συναίσθημα βάση του οποίου γίνεται μία παράθεση όσο και πόσο διαφορετικά αποτελέσματα προκύπτουν στην αξιολόγηση ερευνητικών εργασιών χρησιμοποιώντας απλές μετρικές ή μετρικές που εμπεριέχουν ποιοτικά χαρακτηριστικά.
This thesis delves into the application of text mining techniques to refine research performance indicators, focusing on the intricate analysis of citation intent to enhance the assessment of scientific contributions in scientometrics. Traditional citation-based metrics, while useful, fall short in capturing the complex dynamics of research impact, often overlooking the qualitative aspects of citations such as sentiment and intent. To address these limitations, the study proposes a sophisticated methodological framework that integrates advanced text classification models and citation intent classification schemes, offering a granular analysis of citation contexts. Through an empirical analysis utilizing annotated datasets from previous studies, derived from bibliographic databases, the research employs both zero-shot and supervised deep learning models to identify citation intents, revealing if the inclusion of citation intent can significantly enrich research performance indicators. This approach not only provides a deeper understanding of the multifaceted nature of research impact but also gives first indications for efficiency of developing more context-sensitive metrics in scientometrics. By acknowledging the diverse purposes behind citations, this thesis contributes to a more equitable evaluation of scientific research intentions, suggesting a shift towards metrics that account for the richness of academic discourse and the validity this option carries. The findings underscore the potential of text mining techniques in revolutionizing research evaluation, advocating for metrics that are informed by the semantic layers of citations. This thesis offers experimental indications for future studies to further refine citation intent classification schemes and explore their application across various scientific disciplines and the research performance indicators used across each discipline, promising to enhance the transparency and fairness of research evaluation processes.

Λέξη κλειδί :	Εξόρυξη κειμένου Δείκτες απόδοσης αξιολόγησης ερευνών Ταξινόμηση πρόθεσης παράθεσης Μέθοδοι νευρωνικών δικτύων Ανάλυση παράθεσης Text mining Research performance indicators Citation intent classification Deep learning text classification Citation analysis

Διαθέσιμο από :	2024-04-23 22:40:35

Ημερομηνία έκδοσης :	30-03-2024

Ημερομηνία κατάθεσης :	2024-04-23 22:40:35

Δικαιώματα χρήσης :	Free access

Άδεια χρήσης :

Αρχείο: Nouskali_2024.pdf

Τύπος: application/pdf

Thesis_Documents.zip

Είσοδος