최근 국내외 여러 분야에서 국가 정책 결정 및 사회 현상 연구를 위한 목적으로 지식지도를 구축하고 있다. 지식지도는 현재 여러 가지 형태로 구축되어 있지만, 큰 의미에서 정의한다면 대량의 정보 속에 숨겨진 특징을 찾아서 그 의미를 파악할 수 있도록 가시적인 형태의 결과를 보여주는 것을 말한다. 본 논문에서는 2000년부터 2010년까지 컴퓨터 공학 분야의 국내 학술지에 게재된 논문들의 데이터베이스를 활용하여 연구동향 분석을 위한 키워드 연관 네트워크 기반의 지식지도를 제안하였다.
구축된 지식지도를 통해 키워드 연관 네트워크에서 개별 키워드가 속한 연결 요소의 크기 변화를 살펴봄으로써 관련 연구 주제의 영향력 변화를 추론할 수 있었다. 또한, 본 논문에서는 키워드 연관 네트워크와 비교할 수 있는 4가지 랜덤 네트워크를 제안하였다. 랜덤 네트워크와의 비교는 네트워크 내에서 간선들의 가중치를 ...
최근 국내외 여러 분야에서 국가 정책 결정 및 사회 현상 연구를 위한 목적으로 지식지도를 구축하고 있다. 지식지도는 현재 여러 가지 형태로 구축되어 있지만, 큰 의미에서 정의한다면 대량의 정보 속에 숨겨진 특징을 찾아서 그 의미를 파악할 수 있도록 가시적인 형태의 결과를 보여주는 것을 말한다. 본 논문에서는 2000년부터 2010년까지 컴퓨터 공학 분야의 국내 학술지에 게재된 논문들의 데이터베이스를 활용하여 연구동향 분석을 위한 키워드 연관 네트워크 기반의 지식지도를 제안하였다.
구축된 지식지도를 통해 키워드 연관 네트워크에서 개별 키워드가 속한 연결 요소의 크기 변화를 살펴봄으로써 관련 연구 주제의 영향력 변화를 추론할 수 있었다. 또한, 본 논문에서는 키워드 연관 네트워크와 비교할 수 있는 4가지 랜덤 네트워크를 제안하였다. 랜덤 네트워크와의 비교는 네트워크 내에서 간선들의 가중치를 임계치에 따라 제거할 경우 네트워크의 크기가 변화하는 양상을 살펴보았고, 전체적인 네트워크 구성이 어떻게 변하는지를 살펴보았다. 이러한 비교를 통해 키워드 연관 네트워크에서 최대 연결 요소의 크기가 상대적으로 매우 작으며, 상호 관련성이 높은 키워드 쌍들의 그룹이 밀집되어 있음을 보였다. 이는 최대 연결 요소에 대응하는 연구 분야가 크지 않으며 여러 소규모의 연구 주제들이 느슨한 형태로 연결되어 있음을 암시한다. 또한 소셜 네트워크(social network)의 통계적 특성을 분석하기 위해 쓰이는 차수 분포(degreedistribution), 클러스터링 계수(clustering coefficient)와 같은 수치를 계산하였다. 이러한 수치 계산 결과도 랜덤 네트워크와의 비교를 통해 얻은 결과를 뒷받침하였다. 이러한 분석 결과들은 단순히 개별 키워드의 사용 빈도수 등을 분석하는 전통적인 방식으로는 얻기 어렵다는 점에서 본 논문에서 제안한 지식지도가 연구 동향 분석의 방법이 될 수 있다.
최근 국내외 여러 분야에서 국가 정책 결정 및 사회 현상 연구를 위한 목적으로 지식지도를 구축하고 있다. 지식지도는 현재 여러 가지 형태로 구축되어 있지만, 큰 의미에서 정의한다면 대량의 정보 속에 숨겨진 특징을 찾아서 그 의미를 파악할 수 있도록 가시적인 형태의 결과를 보여주는 것을 말한다. 본 논문에서는 2000년부터 2010년까지 컴퓨터 공학 분야의 국내 학술지에 게재된 논문들의 데이터베이스를 활용하여 연구동향 분석을 위한 키워드 연관 네트워크 기반의 지식지도를 제안하였다.
구축된 지식지도를 통해 키워드 연관 네트워크에서 개별 키워드가 속한 연결 요소의 크기 변화를 살펴봄으로써 관련 연구 주제의 영향력 변화를 추론할 수 있었다. 또한, 본 논문에서는 키워드 연관 네트워크와 비교할 수 있는 4가지 랜덤 네트워크를 제안하였다. 랜덤 네트워크와의 비교는 네트워크 내에서 간선들의 가중치를 임계치에 따라 제거할 경우 네트워크의 크기가 변화하는 양상을 살펴보았고, 전체적인 네트워크 구성이 어떻게 변하는지를 살펴보았다. 이러한 비교를 통해 키워드 연관 네트워크에서 최대 연결 요소의 크기가 상대적으로 매우 작으며, 상호 관련성이 높은 키워드 쌍들의 그룹이 밀집되어 있음을 보였다. 이는 최대 연결 요소에 대응하는 연구 분야가 크지 않으며 여러 소규모의 연구 주제들이 느슨한 형태로 연결되어 있음을 암시한다. 또한 소셜 네트워크(social network)의 통계적 특성을 분석하기 위해 쓰이는 차수 분포(degree distribution), 클러스터링 계수(clustering coefficient)와 같은 수치를 계산하였다. 이러한 수치 계산 결과도 랜덤 네트워크와의 비교를 통해 얻은 결과를 뒷받침하였다. 이러한 분석 결과들은 단순히 개별 키워드의 사용 빈도수 등을 분석하는 전통적인 방식으로는 얻기 어렵다는 점에서 본 논문에서 제안한 지식지도가 연구 동향 분석의 방법이 될 수 있다.
A knowledge map, which has been recently applied in various fields for the purpose of the study of national policy decisions and the social phenomena research. knowledge maps is built in several forms, in a broad sense a knowledge map is discovering characteristics hidden in a large amount of inform...
A knowledge map, which has been recently applied in various fields for the purpose of the study of national policy decisions and the social phenomena research. knowledge maps is built in several forms, in a broad sense a knowledge map is discovering characteristics hidden in a large amount of information and showing a tangible output to understand the meaning of the discovery. In this paper, we suggested a knowledge map for research trend analysis based on keyword-relation networks which are constructed by using a database of the domestic journal articles in the computer engineering field from 2000 through 2010.
From constructed knowledge map, we could infer influential changes of a research topic related a specific keyword through examining the change of sizes of the connected components to which the keyword belongs in the keyword-relation networks. In addition, we suggested four kinds of random network what can be compared with keyword-relation networks. in comparison with random networks if weight of edges in networks is removed according to threshold value, we observed how to vary networks size and the overall network configuration. This implies that the research field corresponding to the largest connected component is not so huge and many small-scale topics included in it are highly clustered and loosely-connected to each other. In addition, we calculated value such as degree distribution, clustering coefficient to analyze the statistical characteristics. such results of numerical calculation supported result that obtained according to comparison with random networks. our proposed knowledge map can be considered as a approach for the research trend analysis while it is impossible to obtain those results by conventional approaches such as analyzing the frequency of an individual keyword.
A knowledge map, which has been recently applied in various fields for the purpose of the study of national policy decisions and the social phenomena research. knowledge maps is built in several forms, in a broad sense a knowledge map is discovering characteristics hidden in a large amount of information and showing a tangible output to understand the meaning of the discovery. In this paper, we suggested a knowledge map for research trend analysis based on keyword-relation networks which are constructed by using a database of the domestic journal articles in the computer engineering field from 2000 through 2010.
From constructed knowledge map, we could infer influential changes of a research topic related a specific keyword through examining the change of sizes of the connected components to which the keyword belongs in the keyword-relation networks. In addition, we suggested four kinds of random network what can be compared with keyword-relation networks. in comparison with random networks if weight of edges in networks is removed according to threshold value, we observed how to vary networks size and the overall network configuration. This implies that the research field corresponding to the largest connected component is not so huge and many small-scale topics included in it are highly clustered and loosely-connected to each other. In addition, we calculated value such as degree distribution, clustering coefficient to analyze the statistical characteristics. such results of numerical calculation supported result that obtained according to comparison with random networks. our proposed knowledge map can be considered as a approach for the research trend analysis while it is impossible to obtain those results by conventional approaches such as analyzing the frequency of an individual keyword.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.