حتما جملاتی مانند: «هر چقدر جستجو میکنم، مقاله مرتبط پیدا نمی‌شود» یا «نمی‌دانم چه عبارتی را جستجو کنم تا به مقالات مورد نظرم را پیدا کنم» را زیاد شنیده‌اید. در سری آموزش‌های گام به گام مرور سیستماتیک، به طراحی پروتکل در مرور سیستماتیک و مقدمات جستجو پرداختیم. در این آموزش به اولین مقدمه جستجو یعنی شناسایی کلمات کلیدی می‌پردازیم. در این آموزش به ترفندها و ابزارهایی می‌پردازیم که به شما در یافتن کلمات کلیدی مرتبط با موضوع مقاله خود کمک کند.
همچنین می‌توانید مقاله استراتژی جستجو را نیز مطالعه کنید.
شناسایی کلمات کلیدی
مهم است که همه کلمات کلیدی مرتبط با موضوع را پیدا کنید تا با شناسایی، از جامع بودن جستجو اطمینان حاصل کنید. سه راهکار زیر را فراموش نکنید!
- املای مختلف، زمان ها و انواع کلمات کلیدواژه‌ها
- مترادف‌ها
- مفاهیم مرتبط
راه‌های زیادی برای یافتن این اصطلاحات وجود دارد، از جمله خواندن پس‌زمینه، فرهنگ‌های لغت، اصطلاحنامه‌های معمولی و پایگاه داده یا سرفصل‌های موضوعی و ابزارهای متن کاوی. روند جستجو همچنین به شناسایی عبارات بیشتر کمک می کند.
جامع در مقابل دقیق
باید تعادلی در جستجو وجود داشته باشد بین اینکه جستجو به اندازه کافی جامع باشد تا همه چیز در مورد موضوع را در بر بگیرد و به اندازه کافی دقیق باشد تا فقط آن دسته از نتایجی که به طور خاص مرتبط هستند ثبت شود.
هر دو رویکرد مزایا و معایبی دارند
| نوع جستجو | جامع | دقیق |
| مزایا | جستجوی گسترده همه چیز را در مورد موضوع پیدا میکند احتمال از دست دادن مقالات مرتبط را کاهش می دهد | مختص موضوع است تا نتایج مرتبط تر باشد دور انداختن نتایج نامربوط آسان تر است |
| معایب | پردازش اطلاعات بسیار زیاد، آسان نیست. راه حل: بسیاری از نتایج نامربوط را کنار بگذارید. | نتایج کافی نیست. بسیاری از مقالات مرتبط به عنوان موضوع بسیار محدود از قلم افتاده است |
افزایش جامعیت (یا حساسیت) جستجو، دقت آن را کاهش می دهد و مقالات غیر مرتبط بیشتری را بازیابی می کند.
استفاده از متن کاوی برای شناسایی کلمات کلیدی
متن کاوی به شناسایی تعداد دفعات استفاده از اصطلاحات در ادبیات کمک می کند و به شناسایی سایر عبارات مرتبط و عناوین موضوعی کمک می کند که در نظر گرفته نشده اند یا به عنوان مفید تصور نشده اند.
متن کاوی فرآیندی است که برای مشاهده مقادیر زیادی از متن و یافتن روابط در نتایج با استفاده از برنامه های کامپیوتری طراحی شده برای استخراج و تجزیه و تحلیل این داده ها استفاده می شود.
برای دسته‌بندی اطلاعات و شناسایی روندها و الگوهایی که می‌توانند در اسناد بزرگ یا منابع متعدد (یا هر دو) انجام شوند، استفاده می شود.
ابزارها و روش‌ها
۱٫ کند و کاو اصطلاحات
این ابزارها برای یافتن عبارات جستجوی جایگزین استفاده کنید که با شناسایی تعداد دفعات ظاهر شدن کلمات کلیدی و اینکه کدام عبارات دیگر با آنها بر اساس تعداد دفعات ظاهر می شوند، مرتبط هستند.
- ابزار یادآوری Ovid فایلی از نتایج Medline را که به عنوان یک فایل csv یا excel ذخیره شده است، بارگذاری کنید تا از نظر وقوع اصطلاح تجزیه و تحلیل شود. فیلدهای موجود عبارتند از -نویسنده(ها)، عنوان، منبع، عنوان موضوع، چکیده و نوع انتشار. توجه داشته باشید که Embase و CAB Abstracts از طریق JCU در دسترس نیستند، بنابراین نمی توان از آنها استفاده کرد، و PsycINFO با ابزار Ovid Reminer سازگار نیست.
- PubReminer عبارات جستجو را وارد کنید و روی دکمه Start PubReminer کلیک کنید. توجه داشته باشید اتصالات جستجوی بولی نباید در جستجو گنجانده شوند.
- آنالایزر مش Yaleفهرستی از اعداد PubMed (PMID) را وارد کنید تا فهرستی از عناوین MeSH و کلمات کلیدی نویسنده را مشاهده کنید. نتایج را می توان برای تجزیه و تحلیل در اکسل دانلود کرد.
۲٫ استخراج متن
عبارت ها را در بلوک های متن (مثلاً یک مقاله) قرار دهید تا الگوها و فراوانی کلمات را پیدا کنید. کلمات متداول تر به احتمال زیاد مرتبط با موضوع هستند.
- Termine: یک بلوک متن یا یک فایل را وارد کنید و سیستم Termine متن را برای برجسته کردن عبارات کلیدی تجزیه و تحلیل می کند.
- WriteWord phrase frequency: یک بلوک متن را وارد کنید تا تعداد دفعات استفاده از عبارات در کار را بشمارید. یک شمارشگر فرکانس تک کلمه ای نیز از این صفحه پیوند داده شده است.
- MeSH on Demand: این ابزار اصطلاحات MeSH® را در متن ارسالی (چکیده یا دستنوشته) مشخص می کند. MeSH on Demand همچنین مقالات مشابه PubMed مرتبط با متن ارسالی را فهرست می کند.
- JSTOR Text Analyser: یک سند را در JSTOR Text Analyzer آپلود کنید و متن را برای یافتن عناوین کلیدی و اصطلاحات استفاده شده تجزیه و تحلیل می کند. سپس این شرایط را در اولویت قرار می دهد و از مواردی که برای یافتن محتوای مشابه در JSTOR مهمتر می داند استفاده می کند. نتایج جستجو را با افزودن، حذف یا تنظیم اولویت عبارات اصلاح کنید.
- Voyant: See through your text: ابزار Voyant یک محیط خواندن و تحلیل مبتنی بر وب برای متون دیجیتال است. تجزیه و تحلیل متن و برخی ابزارهای تجسم را فراهم می کند.
۳٫ از ابزارهای تجسم استفاده کنید
این ابزارها ابرهای کلمه مرتبط با عبارات جستجو را ایجاد می کنند
- Coremine Medical: کورمین نتایج جستجو را به عنوان یک شبکه گرافیکی ارائه می کند که روابط کشف شده از طریق متن کاوی را برای طیف وسیعی از اصطلاحات زیست پزشکی، از جمله عنوان پزشکی موضوع، هستی شناسی ژن، داروسازی، داروی گیاهی و شیمیایی و همچنین اصطلاحات ژن و پروتئین، ارائه می دهد. ثبت نام رایگان برای استفاده لازم است.
- PubVenn: پاب‌ون یک جستجوی پیچیده PubMed می گیرد و آن را به بخش های تشکیل دهنده آن تقسیم می کند. سپس آن بخش‌های نامتجانس را جستجو میکند و انبوهی از نقل‌قول‌هایی را که برمی‌گردانند با استفاده از یک نمودار ون با اندازه متناسب نشان می‌دهد تا میزان منتشر شده در هر موضوع معین و همپوشانی بین مفاهیم مختلف را نشان دهد.
- Vizit: ویزیت یک ابزار جستجوی کتابشناختی بصری است که نتایج را به عنوان یک شبکه بصری از اصطلاحات مرتبط ارائه می کند و سپس به ادبیات مربوطه پیوند می دهد.
- Carrot2: کاروت۲ یک موتور خوشه بندی نتایج جستجوی منبع باز است. این می تواند به طور خودکار مجموعه های کوچکی از اسناد را در دسته های موضوعی سازماندهی کند و در پوشه ها، دایره ها یا درختان فوم نمایش دهد تا نتایج را تجسم کند.
اینها تنها برخی از ابزارهای موجود برای استخراج متن هستند که در وب در دسترس هستند. همچنین نرم افزار تجاری و رایگان وجود دارد که قابل دانلود و نصب است.
منبع: https://libguides.jcu.edu.au/systematic-review/keywords
