دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس کامپیوتردانلود رایگان مقالات بیس مدیریتدانلود رایگان مقالات بیس نوآوری تکنولوژیدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مدیریتدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مدیریتدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI کلان داده یا بیگ دیتا به زبان انگلیسیدانلود رایگان مقاله ISI مدیریت به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI نوآوری تکنولوژی به زبان انگلیسیدانلود رایگان مقاله ISI هوش مصنوعی به زبان انگلیسیسال انتشارمقالات Q1 مدیریت به زبان انگلیسیمقالات Q1 مهندسی کامپیوتر به زبان انگلیسیمقالات مدیریت با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مدیریت با مدل مفهومی به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با مدل مفهومی به زبان انگلیسی

مقاله انگلیسی رایگان در مورد تعاملات در تحقیقات داده های بزرگ – الزویر ۲۰۱۹

 

مشخصات مقاله
ترجمه عنوان مقاله کشف و پیش بینی تعاملات در تحقیقات داده های بزرگ: یک مطالعه پیشرفته یادگیری کتابشناختی
عنوان انگلیسی مقاله Discovering and forecasting interactions in big data research: A learning-enhanced bibliometric study
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۳ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۸۵۲ در سال ۲۰۱۸
شاخص H_index ۹۳ در سال ۲۰۱۹
شاخص SJR ۱٫۴۲۲ در سال ۲۰۱۸
شناسه ISSN ۰۰۴۰-۱۶۲۵
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی دارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مدیریت، مهندسی کامپیوتر
گرایش های مرتبط نوآوری تکنولوژی، هوش مصنوعی
نوع ارائه مقاله
ژورنال
مجله / کنفرانس پیش بینی فناورانه و تغییرات اجتماعی – Technological Forecasting and Social Change
دانشگاه  Centre for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Australia
کلمات کلیدی تکامل فناوری، متن کاوی، کتابشناسی، داده بزرگ
کلمات کلیدی انگلیسی Technological evolution، Text mining، Bibliometrics، Big data
شناسه دیجیتال – doi
https://doi.org/10.1016/j.techfore.2018.06.007
کد محصول  E13403
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Related work
۳٫ Methodology and data
۴٫ Results: the discovery of interactions in big data research and a forecasting study
۵٫ Conclusions
Acknowledgment
References

 

بخشی از متن مقاله:
Abstract

As one of the most impactful emerging technologies, big data analytics and its related applications are powering the development of information technologies and are significantly shaping thinking and behavior in today’s interconnected world. Exploring the technological evolution of big data research is an effective way to enhance technology management and create value for research and development strategies for both government and industry. This paper uses a learning-enhanced bibliometric study to discover interactions in big data research by detecting and visualizing its evolutionary pathways. Concentrating on a set of 5840 articles derived from Web of Science covering the period between 2000 and 2015, text mining and bibliometric techniques are combined to profile the hotspots in big data research and its core constituents. A learning process is used to enhance the ability to identify the interactive relationships between topics in sequential time slices, revealing technological evolution and death. The outputs include a landscape of interactions within big data research from 2000 to 2015 with a detailed map of the evolutionary pathways of specific technologies. Empirical insights for related studies in science policy, innovation management, and entrepreneurship are also provided.

Introduction

It has been several years since the big data boom led a revolution in both re-shaping thinking and behavior in all sectors of modern society (Mayer-Schönberger and Cukier, 2013). The broad range of big data applications in business intelligence has been highlighted by both academic and business communities (Chen et al., 2012). Defined as “the means of managing, analyzing, visualizing, and extracting useful information from large, diverse, distributed, and heterogeneous data sets1 ”, big data analytics has become essential for the success of commerce (McAfee et al., 2012). Such increasing significance of big data, of course, attracts the attention of science, technology, and innovation policy (STIP) communities, and bridging big data with real-world STIP issues has been raised as an urgent task – e.g., investigating the potential (including both positive and negative impacts) of big data and providing feasible reactions for specific industry sectors (Kwon et al., 2015; Marx, 2013; Nobre and Tavares, 2017). Unfortunately, despite the ambition of big data analytics on creating “big impact” (Chen et al., 2012; Wamba et al., 2015), the success of big data analytics in non-IT companies is still limited (Court, 2015). Now is an opportune time to trace the evolution of big data research to discover the interactions between the techniques used in big data analytics and identify the crucial connections that have the potential to create and extend the sphere of “big impact”.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا