Bibliometrics، حوالہ جات کا تجزیہ اور تحقیق کے اثرات کا اندازہ

فائدہ:

• AI کے ساتھ حقیقی حوالہ کے ڈیٹا بیس سے لیے گئے ڈیٹا کو کلسٹرنگ اور خلاصہ کرتے ہوئے AI میموری سے اقتباسات کی گنتی اور اقتباسات کو کبھی بھی نہ لینے پر عمل درآمد کرنے کی صلاحیت
• یہ سمجھنے کی صلاحیت کہ میٹرکس جیسے حوالہ، ایچ-انڈیکس، اور اثر کا عنصر استعمال کی نشاندہی کرتے ہیں لیکن معیار کی نہیں، اور فیلڈز میں ان کی عدم موازنہ۔
• افراد کا جائزہ لینے میں اکیلے بائبلی میٹرک معیار کو استعمال کرنے کی اخلاقی حدود پر غور کرنے اور ان کو معیار کی تشخیص کے ساتھ متوازن کرنے کی صلاحیت

یونیورسٹی کی لائبریری اپنے ادارے کی تحقیقی پیداوار کی پیمائش کرتی ہے۔ ایک محقق کسی فیلڈ کے سب سے زیادہ بااثر مطالعہ تلاش کرنے کے لیے؛ ایک مینیجر کسی شعبہ کی سائنسی مرئیت کا اندازہ لگا سکتا ہے۔ اس کام کے پیچھے bibliometrics ہے: وہ شعبہ جو عددی طور پر سائنسی اشاعتوں اور ان کے درمیان حوالہ جات کا جائزہ لیتا ہے۔ اس یونٹ میں، آپ سیکھیں گے کہ حوالہ تجزیہ، اشاعت کی نقشہ سازی اور اثر کی تشخیص میں مصنوعی ذہانت کا استعمال کیسے کیا جاتا ہے۔ لیکن آپ یہ سیکھیں گے کہ عددی میٹرکس کی حدود اور اخلاقی نقصانات کو کیسے جانا ہے۔

آئیے تصورات کی وضاحت کرتے ہیں۔ اقتباس ایک سائنسی حوالہ ہے جو ایک اشاعت کے ذریعہ دوسری اشاعت کے لئے بنایا گیا ہے۔ حوالہ جات کی تعداد کو اس بات کا اشارہ سمجھا جاتا ہے کہ کام کا کتنا استعمال ہوا ہے۔ ایچ انڈیکس ایک ایسا پیمانہ ہے جو ایک محقق کی پیداواری صلاحیت اور اثر دونوں کو یکجا کرتا ہے (اگر h اشاعتوں کی تعداد میں سے ہر ایک کو کم از کم h حوالہ جات ملے ہیں، تو h-انڈیکس h ہے)۔ امپیکٹ فیکٹر ایک ایسا پیمانہ ہے جو جرنل کی اوسط حوالہ کی سطح کو ظاہر کرتا ہے۔ یہ میٹرکس کارآمد ہیں، لیکن کوئی بھی "معیار" کا براہ راست پیمانہ نہیں ہے۔ اس فرق کو ذہن میں رکھنا bibliometrics کا نچوڑ ہے۔

مرحلہ وار: ذمہ دار بائبلومیٹرک تجزیہ

1. سوال کو واضح کریں۔ "اس شعبے کے بنیادی مطالعہ کیا ہیں؟"، "ہمارے ادارے کی سب سے زیادہ حوالہ دی جانے والی اشاعتیں کون سی ہیں؟"، "یہ دونوں شعبے کیسے ایک دوسرے کو آپس میں ملاتے ہیں؟" ہر سوال ایک الگ تجزیہ کا متقاضی ہے۔

2. قابل اعتماد ڈیٹا استعمال کریں۔ حوالہ جات کا تجزیہ صرف اتنا ہی قابل اعتماد ہے جتنا کہ ڈیٹا کا ذریعہ۔ AI حوالہ شماری یا اشاعت کی فہرستیں بنا سکتا ہے۔ لہذا، ایک حقیقی حوالہ ڈیٹا بیس سے ڈیٹا کے ساتھ کام کرنا ضروری ہے۔ حقیقی ڈیٹا کی تشریح اور خلاصہ کرنے کے لیے AI کا استعمال کریں، ڈیٹا بنانے کے لیے نہیں۔

3. نمونوں کو نشان زد کریں۔ AI اشاعتوں کے ایک بڑے مجموعے میں موضوع کے کلسٹرز، اشتراکی نیٹ ورکس، یا وقت کے ساتھ رجحانات کا خلاصہ کرنے میں مدد کرتا ہے۔ یہ انسانی تجزیہ کار کی توجہ اہم نکات کی طرف مبذول کراتی ہے۔

4. سیاق و سباق میں معیار کی تشریح کریں۔ کم حوالہ شمار اس بات کی نشاندہی نہیں کرتا کہ کام بیکار ہے۔ فیلڈ چھوٹا ہو سکتا ہے، موضوع نیا ہو سکتا ہے، یا اشاعت بہت نئی ہو سکتی ہے۔ سیاق و سباق کے بغیر تعداد کی کبھی بھی تشریح نہ کریں۔

5. اخلاقی حدود کا مشاہدہ کریں۔ افراد کی خدمات حاصل کرنے، فروغ دینے یا مالی امداد کے بارے میں فیصلے کرنے کے لیے بائبلی میٹرک اقدامات کو تنہا استعمال نہیں کیا جانا چاہیے۔ نمبروں سے لوگوں کی قدر نہیں ہوتی۔ ان کے ساتھ زیادتی کرنا ناانصافی اور نقصان دہ دونوں ہے۔

ٹپ: جب AI کو اقتباسات کا تجزیہ کرنا ہو تو اصلی ڈیٹا بیس سے اقتباسات کی گنتی اور اشاعت کے حوالہ جات فراہم کریں۔ AI کو آسانی سے اس ڈیٹا کو منظم، گروپ اور تشریح کرنے دیں۔ "اس مصنف کا ایچ انڈیکس کیا ہے؟" براہ راست پوچھنے کا نتیجہ ایک میک اپ نمبر بن سکتا ہے۔

معیار اور ہیرا پھیری کی حدود

چونکہ bibliometric میٹرکس طاقتور دکھائی دیتے ہیں، وہ غلط استعمال کے لیے کھلے ہیں۔ حوالہ نمبروں کو مختلف طریقوں سے بڑھایا جا سکتا ہے: ضرورت سے زیادہ خود اقتباس (کسی کے اپنے کام کا حوالہ دیتے ہوئے)، اقتباس کی انگوٹھیاں (لوگوں کے گروہ جو ایک دوسرے کو باہم حوالہ دیتے ہیں)، یا فیلڈ کا اپنا حوالہ ثقافت۔ مزید برآں، تمام شعبوں میں معیارات کا موازنہ نہیں کیا جا سکتا: طبی مضمون اور فلسفہ مضمون کا حوالہ ماحول بالکل مختلف ہے۔

یہ مسئلہ ہیومینٹیز اور سوشل سائنسز میں اور بھی زیادہ واضح ہے۔ کیونکہ ان شعبوں میں اہم نتائج (کتابیں، ترجمے، جائزے) کو حوالہ ڈیٹا بیس میں کم پیش کیا جاتا ہے۔ کسی مورخ یا ادبی اسکالر کے اثر کو صرف حوالہ جات کی تعداد سے ناپنا کام کی نوعیت کو غلط سمجھنا ہے۔ لائبریرین ایک رہنما ہے جو منتظمین اور محققین کو ان معیارات کی حدود کی وضاحت کرتا ہے۔

احتیاط: کسی فرد کی تعلیمی قابلیت یا محکمے کے معیار کے بارے میں حتمی فیصلے کے طور پر بائبلی میٹرک پیمائش پیش نہ کریں۔ ذمہ دارانہ تحقیقی تشخیص کے اصول اس بات پر زور دیتے ہیں کہ اقدامات کو معیار کی تشخیص کی تکمیل کرنی چاہیے، اس کی جگہ نہیں۔

تین چھوٹے مقدمات

کیس 1 - علاقے کا نقشہ لگایا گیا ہے۔ ایک لائبریرین ایک ریسرچ گروپ کو اپنے فیلڈ میں بنیادی کام دکھانا چاہتا تھا۔ اس نے ایک حقیقی حوالہ ڈیٹا بیس سے 200 اشاعتوں سے ڈیٹا نکالا۔ YZ نے اس ڈیٹا کا خلاصہ ٹاپک کلسٹرز میں کیا اور 10 سب سے زیادہ حوالہ شدہ مطالعات کو اجاگر کیا۔ تجزیہ کار نے ڈیٹا بیس میں ہر کلسٹر اور شناخت کنندہ کی تصدیق کی۔ گروپ نے جلدی سے علاقے کی ساخت کو پکڑ لیا۔

کیس 2 - جعلی ایچ انڈیکس پکڑا گیا۔ ایک مینیجر نے اے آئی سے ایک محقق کے ایچ انڈیکس کے بارے میں پوچھا۔ اے آئی نے کہا "42"۔ لائبریرین نے اصل ڈیٹا بیس کو دیکھا: صحیح قیمت تھی 19؛ اے آئی نے نمبر بنا لیا تھا۔ اس سے ظاہر ہوا کہ میٹرکس کو کبھی بھی AI میموری سے نہیں بلکہ حقیقی ڈیٹا سے لینا چاہیے۔

کیس 3 - غلط موازنہ کو روکا گیا۔ ایک یونٹ اپنے حوالہ جات کی اوسط تعداد کی بنیاد پر دو ابواب کا موازنہ کرکے فنڈز مختص کرنا چاہتا تھا۔ لائبریرین نے وضاحت کی کہ ایک شعبہ طب (اعلی حوالہ ثقافت) تھا اور دوسرا ہیومینٹیز (کتاب بھاری، کم حوالہ ثقافت)، اور یہ موازنہ غیر منصفانہ ہوگا۔ تشخیص کو معیار کے معیار کے ذریعہ سپورٹ کیا گیا تھا جس میں فیلڈ فرق کو مدنظر رکھا گیا تھا۔

بصری نقشے اور پڑھنے کے جال

bibliometrics میں ایک کثرت سے استعمال ہونے والا ٹول نیٹ ورک کے نقشے ہیں (مثال کے طور پر شریک اقتباس یا شریک تصنیف کے نیٹ ورک)، جو نوڈس اور لنکس کے ذریعہ اشاعتوں یا مصنفین کے درمیان تعلقات کو ظاہر کرتے ہیں۔ یہ نقشے کسی علاقے کے ڈھانچے، جھرمٹ اور پل کے کام کو ظاہر کرتے ہیں۔ AI بنیادی اصلی ڈیٹا کو جمع کر سکتا ہے اور ان نقشوں کی تشریح میں مدد کر سکتا ہے۔ لیکن بصری نقشے، طاقتور ہونے کے باوجود، گمراہ کن بھی ہو سکتے ہیں: ایک بڑا، مرکزی طور پر نظر آنے والا نوڈ "سب سے اہم" نہیں بلکہ صرف "سب سے زیادہ منسلک" ہو سکتا ہے۔ کلسٹر کا سائز صرف اشاعت کے حجم کی عکاسی کر سکتا ہے، اس جگہ کی قدر نہیں۔ مزید برآں، نقشہ کیسے تیار کیا جاتا ہے (کون سی حد، کون سا وقت، کون سا ڈیٹا بیس) نتیجہ کو مکمل طور پر تبدیل کر دیتا ہے۔ لہٰذا، جب کسی فیصلے کی بنیاد کے طور پر ببلیو میٹرک تصور پیش کرتے ہیں، تو یہ واضح طور پر بتانا ضروری ہے کہ یہ کس ڈیٹا پر مبنی ہے، کون سے پیرامیٹرز اور کس مدت میں۔ اگر AI سے تیار کردہ تبصرہ نقشے پر کسی نوڈ کو "لیڈر" یا "سب سے زیادہ بااثر" کے طور پر اہل بناتا ہے، تو یہ دیکھنے کے لیے چیک کریں کہ آیا اس خصوصیت کو حقیقی ڈیٹا سے تعاون حاصل ہے۔

مشورہ: نیٹ ورک کے نقشے کی تشریح کرتے وقت "سینٹر = ٹاپ" کے جال میں نہ پڑیں۔ مرکزیت صرف کنکشن کی کثافت کی نشاندہی کرتی ہے۔ کسی کام کی اصل شراکت یا معیار نقشے پر نظر نہیں آتا اور اسے صرف مواد پڑھ کر ہی سمجھا جا سکتا ہے۔

چار کاپی کرنے کے قابل ٹیمپلیٹس

1) اصل حوالہ کے اعداد و شمار کا خلاصہ:

ذیل میں اشاعت کی فہرست اور حوالہ نمبر ہیں جو میں نے ایک حقیقی حوالہ ڈیٹا بیس سے لیے ہیں۔ انہیں ٹاپک کلسٹرز میں تقسیم کریں اور ہر کلسٹر کا خلاصہ ایک جملے میں کریں۔ صرف میرے فراہم کردہ ڈیٹا کا استعمال کریں، نئی اشاعتوں یا حوالہ جات کا اضافہ نہ کریں۔ ڈیٹا: [یہاں]

2) رجحان اور پیٹرن مارکنگ:

ذیل میں سال کی بنیاد پر اشاعت/حوالہ کے اعداد و شمار میں قابل ذکر رجحانات (اضافہ، کمی، تعاون کے ارتکاز) کو نمایاں کریں۔ ڈیٹا پر ہر مشاہدے کی بنیاد رکھیں، قیاس آرائی نہ کریں۔ ڈیٹا: [یہاں]

3) معیار کی تشریح کا انتباہ:

درج ذیل کتابیات کے معیار کی تشریح کریں، اس کی حدود کو بھی بیان کریں: یہ کس موضوع پر معلومات فراہم کرتا ہے، کس موضوع پر معلومات فراہم نہیں کرتا، کس موضوع پر غلط استعمال کے لیے کھلا ہے؟ معیار اور سیاق و سباق: [یہاں]

4) علاقہ فرق کنٹرول:

کیا درج ذیل دو گروہوں کے حوالہ جات کے اعداد و شمار کا براہ راست موازنہ کیا جا سکتا ہے؟ کھیتوں کے درمیان حوالہ ثقافت میں فرق کا اندازہ کریں اور وضاحت کریں کہ آیا موازنہ منصفانہ ہے۔ ڈیٹا: [یہاں]

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

اس مصنف کے سب سے زیادہ متاثر کن مضامین اور حوالہ جات کی فہرست بنائیں۔

AI اصلی ڈیٹا تک رسائی کے بغیر اپنی عالمی میموری سے بنائے گئے عنوانات اور حوالہ جات کی گنتی تیار کرتا ہے۔ نتیجہ: ایک قائل لیکن جعلی تجزیہ۔

طاقتور اشارہ:

آپ کا کردار: bibliometrics اسسٹنٹ۔ ذیل میں اشاعت کے اقتباسات اور حوالہ جات نمبر ہیں جو میں نے حقیقی حوالہ کے ڈیٹا بیس سے نکالے ہیں۔ اس ڈیٹا کو سب سے زیادہ حوالہ کردہ ڈومین سے سب سے کم میں ترتیب دیں، اسے ٹاپک کلسٹرز میں تقسیم کریں، اور ہر کلسٹر کا خلاصہ کریں۔ میں نے جو ڈیٹا دیا ہے اس سے انحراف نہ کریں، کوئی نمبر یا لیبل نہ بنائیں۔ معیار کی حدود کے بارے میں ایک مختصر نوٹ شامل کریں۔ ڈیٹا: [یہاں]

طاقتور فوری؛ یہ AI کو حقیقی ڈیٹا تک محدود کرتا ہے، من گھڑت کاموں کو روکتا ہے، اور ہمیں بینچ مارک کی حدود کی یاد دلاتا ہے۔

معیار اور حدود کی میز

معیار

کیا ظاہر کرتا ہے

جو نہیں دکھاتا

توجہ

حوالہ جات کی تعداد

استعمال/مرئیت

معیار، درستگی

علاقے کی ثقافت پر منحصر ہے۔

h-انڈیکس

پیداواریت+اثر

فرد کی قدر

کیریئر کی لمبائی کے لئے حساس

اثر کا عنصر

جرنل اوسط

ایک مضمون کی قدر

جرنل کی سطح کا معیار

تعاون نیٹ ورک

جس کے ساتھ کام کیا۔

شراکت کی شرح

نیٹ ورک میں کردار واضح نہیں ہے۔

عام غلطیاں

• AI سے حوالہ شمار کی درخواست کرنا۔ نمبر اصلی ڈیٹا بیس سے باہر بنائے جاتے ہیں۔
• یہ سوچ کر کہ معیار معیار کا پیمانہ ہے۔ حوالہ استعمال کی نشاندہی کرتا ہے، معیار نہیں۔
• علاقوں کا براہ راست موازنہ کرنا۔ انتساب ثقافتیں مختلف ہیں، یہ مناسب نہیں ہے۔
• انتساب سے انسانیت کی پیمائش۔ ڈیٹا بیس میں کتاب سے بھاری آؤٹ پٹ کو کم پیش کیا جاتا ہے۔
• معیار کے ساتھ افراد کی تشخیص. بھرتی/پروموشن کا فیصلہ کسی ایک معیار پر مبنی نہیں ہونا چاہیے۔

خلاصہ میں

bibliometrics اور حوالہ جات کے تجزیہ میں، AI ایک طاقتور اسسٹنٹ ہے جو حقیقی ڈیٹا کو کلسٹر کرتا ہے، رجحانات کو جھنڈا دیتا ہے اور خلاصہ کرتا ہے۔ لیکن AI میموری سے کبھی بھی حوالہ نمبر اور بائی لائنز نہ لیں، کیونکہ یہ اسے بناتا ہے۔ میٹرکس استعمال اور مرئیت دکھاتے ہیں، معیار نہیں؛ ڈومینز میں موازنہ نہیں کیا جا سکتا؛ ہیومینٹیز میں اس کی نمائندگی کم ہے اور اسے انفرادی طور پر جانچنے کے لیے استعمال نہیں کیا جا سکتا۔ لائبریرین ایک ذمہ دار رہنما ہے جو ان معیارات کی حدود کی وضاحت کرتا ہے اور ان کو معیار کی تشخیص کے ساتھ متوازن کرتا ہے۔

درخواست کا کام

ایک حقیقی حوالہ ڈیٹا بیس سے اشاعتوں کی ایک چھوٹی فہرست (10-15 ریکارڈز، حوالہ شمار کے ساتھ) لیں۔ AI کلسٹر رکھیں اور "Real citation data کا خلاصہ کریں" ٹیمپلیٹ کے ساتھ خلاصہ کریں، پھر اقتباسات کی توثیق کریں اور ڈیٹا بیس کے خلاف شمار کریں۔ پھر اپنی پسند کے میٹرک کی حدود کو پرنٹ کریں (مثلاً h-index) "Criteria interpretation warning" ٹیمپلیٹ کے ساتھ اور منصوبہ بنائیں کہ آپ اسے کس طرح مینیجر کو بتائیں گے۔

چیک لسٹ

• میں نے اصل ڈیٹا بیس سے حوالہ نمبر اور حوالہ جات فراہم کیے ہیں، میں نے انہیں AI کے ذریعے نہیں بنایا تھا۔
• میں نے میٹرکس کو استعمال/مرئیت کے اشارے کے طور پر پیش کیا، معیار کے نہیں۔
• میں نے کھیتوں کے درمیان حوالہ ثقافت میں فرق کو مدنظر رکھا۔
• میں نے انسانیت کی کم نمائندگی کو مدنظر رکھا۔
• میں نے افراد کی تشخیص میں اکیلے کسوٹی کا استعمال نہیں کیا۔