Elemezd a szakirodalmat szövegbányászattal! Példák a gyermekkori túlsúly és elhízás témakörében
Absztrakt
A cikk szövegbányászati eszközöket mutat be nagy mennyiségű szakirodalom feldolgozására. Megállapítható, hogy jelentős fejlesztések történtek a témában az elmúlt években, és számos, a kutatók által közvetlenül használható eszköz és módszer áll már rendelkezésre. A szerzők a gyermekkori túlsúly és elhízás szakterületének irodalmán mutatnak be 7 módszert, 2 eszköz segítségével (Voyant Tools és VOSViewer), az egyszerűbbtől a bonyolultabbak felé haladva: (1) a vizsgált ún. szövegtestkialakítása, (2) a közlemények számossága, időbeli trendje, (3) a szakkifejezés-gyakoriság elemzése, (4) a kollokáció (együttes előfordulás, együtt-járás) elemzése, (5) korrelációelemzés, (6) kontextuselemzés, (7) fogalomhálózati elemzés, fogalomtérképezés – klaszterezés (csoportosítás). A módszerek és eszkö-zök használatát példákon mutatják be. A módszerek együtt használva feltárják a legfontosabb szakterületi fejleményeket, trendeket. Például azonosítható volt az intervenciók változása az elmúlt tíz évben. A vizsgálat a medikalizáció (orvosi szemlélet) súlyának növekedését mutatta ki. Lényeges, hogy az egyszerűbb szövegbányászati programok már a szokásos eszközeinken is futtathatók, és nem igényelnek speciális szakértelemet sem. A megbeszélésben említett további, szofisztikált technikák, különösen a mesterséges intelligencia algoritmusok alkalmazása azonban speciális szaktudás és megfelelő kapacitású számítástechnikai eszközpark szükséges. Ez még nehezen érhető el a népegészségügyi kutatók számára. Összefoglalásul a szerzők megállapították, hogy a fejlett szövegbányászati eszközök használata lehetőséget ad a szakirodalom gyors, kvantitatív jellemzőkkel leírt, transzparens áttekintésére, amelyre akkor lehet szükség, ha egy-egy szakterület közleményeink száma meghaladja a vizsgált időszakban az ezres–tízezres nagyságrendet.
Hivatkozások
Bartholomew, M. (2002) James Lind’s Treatise of the Scurvy (1753). Postgraduate Medical Journal, 78, 695–696. http://dx.doi.org/10.1136/pmj.78.925.695
Sur, R. L., & Dahm, P. (2011). History of evidence-based medicine. Indian journal of urology : IJU : journal of the Urological Society of India, 27(4), 487–489. https://doi.org/10.4103/0970-1591.91438
Balkányi, L., Lukács, L., & Cornet, R. (2021). Investigating the Scientific 'Infodemic' Phenomenon Related to the COVID-19 Pandemic. Yearbook of medical informatics, 30(1), 245–256. https://doi.org/10.1055/s-0041-1726483
Hendrigan, H. (2019). Mixing Digital Humanities and Applied Science Librarianship: Using Voyant Tools to Reveal Word Patterns in Faculty Research. Issues in Science and Technology Librarianship, (91). https://doi.org/10.29173/istl3
van Eck, N., J. & Waltman L. (2022) VOSviewer Manual. Manual for VOSviewer version 1.6.18. Leiden Universitate, CWTS Meaningful Metrics. https://www.vosviewer.com/documentation/Manual_VOSviewer_1.6.18.pdf
O'Mara-Eves, A., Thomas, J., McNaught, J., Miwa, M., & Ananiadou, S. (2015). Using text mining for study identification in systematic reviews: a systematic review of current approaches. Systematic reviews, 4(1), 5. https://doi.org/10.1186/2046-4053-4-5
Tao, D., Yang, P., & Feng, H. (2020). Utilization of text mining as a big data analysis tool for food science and nutrition. Comprehensive reviews in food science and food safety, 19(2), 875–894. https://doi.org/10.1111/1541-4337.12540
Chen, X., Cheng, G., Wang, F. L., Tao, X., Xie, H., & Xu, L. (2022). Machine and cognitive intelligence for human health: systematic review. Brain informatics, 9(1), 5. https://doi.org/10.1186/s40708-022-00153-9
