کشف جریان‌های فرعی و حوزه‌های بمیر پژوهشی | تکنیکی برای پیدا کردن موضوعات داغ ۲۰۲۶ (و دوری از مسیرهای مرده)

با تحلیل زنجیره استنادی، مشخص کنید روی چه موضوعی وقت بگذارید و چه موضوعی را رها کنید

مقدمه: داستان پژوهشی که ۳ سال وقتش را تلف کرد!

دکتر «الف» تصمیم گرفت پایان‌نامه دکتری خود را روی «سیستم‌های خبره فازی در آموزش پزشکی» متمرکز کند. موضوعی که در سال ۲۰۱۵ بسیار داغ بود. او سه سال زحمت کشید، مقاله‌های زیادی خواند، داده جمع‌آوری کرد و سرانجام در سال ۲۰۱۸ از پایان‌نامه دفاع کرد. اما وقتی خواست مقالات خود را به ژورنال‌های معتبر ارسال کند، با یک واقعیت تلخ مواجه شد: حوزه «سیستم‌های خبره» عملاً مرده بود. هیچ ژورنال سطح بالایی دیگر مقاله‌ای در این زمینه نمی‌پذیرفت. همه به سمت «یادگیری ماشین و یادگیری عمیق» رفته بودند.

اگر او در سال ۲۰۱۵ یک تحلیل ساده از زنجیره استنادی (Citation Chain) انجام می‌داد، می‌توانست پیش‌بینی کند که این حوزه در حال افول است. در این مقاله، من دقیقاً همان تکنیک را به شما آموزش می‌دهم. تکنیکی که به شما می‌گوید:

• کدام جریان‌های پژوهشی هنوز زنده هستند(و ارزش سرمایه‌گذاری دارند.

• کدام حوزه‌ها به بن‌بست خورده‌اند (Dead Ends) و دیگر کسی به آنها استناد نمی‌کند.

• کدام روندهای نوظهور در ۲ سال اخیر جهش داشته‌اند (Emerging Trends)

این روش را داوران برنامه‌های دکتری، سردبیران ژورنال‌ها و آینده‌پژوهان حرفه‌ای استفاده می‌کنند. وقتش رسیده که شما هم از آن مطلع شوید.

ضرورت کار: چرا «سن مقاله» به تنهایی فریبنده است؟

خیلی از پژوهشگران فکر می‌کنند اگر مقاله‌ای جدید باشد (مثلاً متعلق به ۲۰۲۴ یا ۲۰۲۵)، حتماً موضوع آن داغ است. اما این یک اشتباه بزرگ است. ممکن است مقاله‌ای در سال ۲۰۲۴ منتشر شده باشد، اما به یک جریان فرعی و در حال مرگ تعلق داشته باشد. عکس آن هم صادق است: ممکن است مقاله‌ای قدیمی (مثلاً ۲۰۱۸) همچنان هر سال ده‌ها استناد جدید دریافت کند – یعنی جریان اصلی زنده است.

پس معیار درست، الگوی استنادی در طول زمان است، نه صرفاً سال انتشار. سه شاخص کلیدی:

• تعداد استنادهای دریافتی در ۲ سال اخیر: اگر یک حوزه در ۲ سال گذشته استنادهایش افت شدید داشته باشد، مرده است.

• میانگین سن منابع: اگر منابع یک مقاله جدید همگی قدیمی > (10 سال) باشند، نشان می‌دهد که حوزه تحولی نداشته (خطر مرگ).

• وجود مقاله‌های جهشی: گاهی یک مقاله در یک سال، جهش ناگهانی استناد می‌گیرد – نشان‌دهنده شروع یک روند جدید.

در این مقاله به شما نشان می‌دهم که چگونه با هوش مصنوعی، بدون نیاز به نرم‌افزارهای پیچیده علم‌سنجی، این تحلیل را انجام دهید.

ابزارهای مورد نیاز:

برای اجرای این تکنیک، به ترکیب زیر نیاز دارید:

• Google Scholar – برای مشاهده تعداد استنادهای هر مقاله.

• Connected Papers – ابزار رایگان برای مشاهده گراف استنادی .

• ChatGPT یا Claude – برای تحلیل الگوها و پیش‌بینی روند (با پرامپتی که می‌دهم).

• Publish or Perish نرم‌افزار دسکتاپ – (اختیاری، برای تحلیل حرفه‌ای‌تر).

اما خبر خوب: با یک پرامپت هوشمند و جستجوی دستی ساده در Google Scholar می‌توانید این تحلیل را انجام دهید. نیازی به نرم‌افزار پیچیده نیست.

گام اول: شناسایی یک «مقاله کلیدی» در حوزه شما

هر تحلیلی از یک نقطه شروع می‌شود: یک مقاله مرجع (Seed Paper) این مقاله باید:

• جزو ۱۰ مقاله پراستناد حوزه شما باشد.

• حداقل ۵ سال از انتشار آن گذشته باشد (تا الگوی استنادی معناداری شکل گرفته باشد).

• به عنوان یک «مقاله بنیادین» شناخته شود (معمولاً یک مرور سیستماتیک یا یک مطالعه تجربی بزرگ).

چگونه پیدا کنیم؟
عبارت کلیدی خود را در Google Scholar جستجو کنید. مقالات را بر اساس «تعداد استناد» مرتب کنید. اولین مقاله‌ای که حداقل ۵۰ استناد دارد و بیش از ۳ سال از انتشارش گذشته، انتخاب کنید.

گام دوم: تحلیل زنجیره استنادی به روش دستی (برای درک مفهوم)

پیش از استفاده از هوش مصنوعی، بیایید یک مثال ساده را با هم جلو برویم.

فرض کنید مقاله کلیدی شما: «Holmes, 2286 – Artificial Intelligence in Education» با 2286 استناد است.

حالا دو کار انجام دهید:

کار اول: به جلو بروید (ببینید چه کسانی به این مقاله استناد کرده‌اند)
در Google Scholar، روی لینک «Cited by 2286» کلیک کنید. مقالاتی که در ۲۰۲۴، ۲۰۲۵ و ۲۰۲۶ به این مقاله استناد کرده‌اند را ببینید. اگر تعداد این استنادها سال به سال کاهش یافته، یعنی حوزه در حال سرد شدن است. اگر افزایش یافته، یعنی داغ.

کار دوم: به عقب بروید (ببینید این مقاله به چه منابعی استناد کرده است)
بخش References مقاله Holmes را نگاه کنید. میانگین سال انتشار این منابع را محاسبه کنید. اگر میانگین > ۱۰ سال باشد، یعنی حوزه پایه‌های قدیمی دارد و شاید نوآوری کمی در آن رخ داده.

یک قانون سرانگشتی: اگر بیش از ۵۰٪ منابع یک مقاله قدیمی‌تر از ۱۰ سال باشند، آن مقاله در یک «حوزه راکد» منتشر شده است.

گام سوم: پرامپت تشخیص جریان‌های فرعی و حوزه‌های بمیر (نسخه پایه)

شما می‌توانید این پرامپت را در ChatGPT (حتی نسخه رایگان) وارد کنید. فقط کافی است اطلاعات ۵ تا ۱۰ مقاله مرتبط را (عنوان، نویسنده، سال، تعداد استنادهای سالانه) در اختیار AI بگذارید.

پرامپت پایه:

تو یک متخصص علم‌سنجی (Scientometrics) و آینده‌پژوهی هستی. من اطلاعات چند مقاله کلیدی در یک حوزه را به تو می‌دهم. لطفاً تحلیل کن:

۱. الگوی استنادی سالانه هر مقاله را بررسی کن. آیا استنادها در حال افزایش، کاهش یا ثابت هستند؟
۲. کدام یک از این مقالات در ۲ سال اخیر جهش ناگهانی استناد داشته‌اند؟ (نشانه روند نوظهور)
۳. کدام یک از این مقالات با وجود قدمت بالا (بیش از ۵ سال)، در ۲ سال اخیر استناد جدید بسیار کمی دارند؟ (نشانه حوزه بمیر)
۴. بر اساس این الگوها، پیش‌بینی کن کدام زیرحوزه در ۲ سال آینده داغ می‌شود و کدام می‌میرد.
۵. خروجی را در سه بخش بده: «جریان‌های اصلی زنده»، «حوزه‌های در حال مرگ»، «روندهای نوظهور».

اطلاعات مقالات (لطفاً به همین قالب بده):

• مقاله ۱: عنوان ...، نویسنده، سال، تعداد استناد در سال ۲۰۲۲، ۲۰۲۳، ۲۰۲۴، ۲۰۲۵، ۲۰۲۶

• مقاله ۲: ...
  و بقیه

اگر داده‌های استنادی سالانه را ندارید، می‌توانید از AI بخواهید خودش از حافظه یا جستجوی اینترنتی (در صورت فعال بودن) این داده‌ها را جمع‌آوری کند.

گام چهارم: مثال واقعی – تحلیل حوزه «هوش مصنوعی در آموزش»»

بیایید چهار مقاله واقعی در این حوزه را با الگوهای استنادی فرضی (اما واقع‌گرایانه) بررسی کنیم.

مقالات مورد بررسی:

1. Holmes, 2019 – AI in Education (کتاب) – تعداد استناد سالانه: ۲۰۲۲: ۱۵۰، ۲۰۲۳: ۱۸۰، ۲۰۲۴: ۲۱۰، ۲۰۲۵: ۲۹۰، ۲۰۲۶: ۳۴۰ (روند صعودی)

2. Zawacki-Richter, 2019 – Systematic review – آمار: ۲۰۲۲: ۲۲۰، ۲۰۲۳: ۲۴۰، ۲۰۲۴: ۲۳۰، ۲۰۲۵: ۱۹۰، ۲۰۲۶: ۱۴۰ (روند نزولی از ۲۰۲۴)

3. Ng, 2021 – AI literacy – آمار: ۲۰۲۲: ۳۰، ۲۰۲۳: ۶۰، ۲۰۲۴: ۱۲۰، ۲۰۲۵: ۲۵۰، ۲۰۲۶: ۳۸۰ (جهش ناگهانی)

4. Baker, 2014 – Educational data mining – آمار: ۲۰۲۲: ۶۰، ۲۰۲۳: ۵۰، ۲۰۲۴: ۴۰، ۲۰۲۵: ۳۵، ۲۰۲۶: ۳۰ (روند نزولی ثابت)

خروجی پرامپت (پس از تحلیل):

جریان‌های اصلی زنده

- Holmes, 2019: استنادها سال به سال افزایشی پایدار دارد (CAGR ≈ 18%). این نشان می‌دهد که مبانی نظری AI در آموزش همچنان یک جریان اصلی و پایدار است. برای پژوهشگران، این حوزه «ایمن» ولی «کمی اشباع» است.

حوزه‌های در حال مرگ (Dead Ends)

- Baker, 2014: استنادها از ۶۰ در ۲۰۲۲ به ۳۰ در ۲۰۲۶ کاهش یافته (کاهش ۵۰٪). «داده‌کاوی آموزشی» (Educational Data Mining) به عنوان یک زیرحوزه مستقل در حال ادغام با «یادگیری ماشین» است و دیگر به عنوان یک برچسب مجزا جذابیتی ندارد. پژوهش‌های جدید در این حوزه توصیه نمی‌شود.

- Zawacki-Richter, 2019: پس از اوج در ۲۰۲۳، استنادها کاهش یافته. مرورهای سیستماتیک عمومی (بدون زاویه خاص) دیگر مورد توجه نیستند. اگر قصد انجام مرور سیستماتیک دارید، باید حتماً با یک رویکرد نوآورانه مثل مرور بر روی ChatGPT یا GenAI همراه باشد.

روندهای نوظهور (Emerging Trends)

- Ng, 2021: جهش خیره‌کننده از ۳۰ استناد در ۲۰۲۲ به ۳۸۰ در ۲۰۲۶. این نشان‌دهنده تولد یک زیرحوزه جدید به نام «سواد هوش مصنوعی» (AI Literacy) است. هر پژوهشی که با این کلیدواژه و در این بازه منتشر شود، شانس بالایی برای استنادگیری دارد. همچنین پیش‌بینی می‌شود زیرحوزه‌های مرتبط مثل «اخلاق AI در آموزش» و «ارزیابی مبتنی بر AI» در ۲۰۲۷-۲۰۲۸ جهش کنند.

توصیه نهایی: از موضوع داده‌کاوی آموزشی (Baker) دوری کنید. روی AI Literacy (Ng) یا شاخه‌های جدیدتر مثل AI Ethics in Education سرمایه‌گذاری کنید.

ببینید چه تحلیل شفافی – شما دقیقاً می‌دانید روی چه چیزی وقت بگذارید و چه چیزی را رها کنید.

گام پنجم: چگونه خروجی را به یک استراتژی پژوهشی تبدیل کنیم؟

بعد از دریافت تحلیل، سه اقدام عملی انجام دهید:

• برای حوزه‌های در حال مرگ: اگر قبلاً روی آنها کار کرده‌اید، سریعاً تغییر مسیر دهید. اگر هنوز شروع نکرده‌اید، اصلاً وارد نشوید.

• برای جریان‌های اصلی زنده: می‌توانید کار کنید، اما باید زاویه نوآورانه داشته باشید (چون رقابت زیاد است).

• برای روندهای نوظهور: بهترین فرصت. سریعاً یک پروپوزال بنویسید و سعی کنید اولین نفر در ایران باشید که در آن حوزه کار می‌کند.

محدودیت‌های روش

• وابستگی به داده‌های استنادی: Google Scholar گاهی استنادها را اشتباه می‌شمارد مثلاً استناد به نسخه preprint را با نسخه نهایی یکی می‌کند.

• عدم تشخیص عوامل بیرونی: گاهی یک حوزه به خاطر یک رویداد بیرونی (مثل همه‌گیری کووید) داغ می‌شود و بعد سرد می‌شود – AI ممکن است نتواند این را پیش‌بینی کند.

• نیاز به بروزرسانی مداوم: یک تحلیل امروز ممکن است ۶ ماه دیگر قدیمی شود. هر ۳ ماه یکبار این کار را تکرار کنید.

جمع‌بندی: دستورالعمل سریع ۴ مرحله‌ای

مرحله ۱: یک مقاله کلیدی (Seed Paper) در حوزه خود در Google Scholar پیدا کنید (پراستناد، حداقل ۳ سال قدمت).

مرحله ۲: ۵ تا ۱۰ مقاله مرتبط دیگر (هم قدیمی، هم جدید) را انتخاب کنید. برای هر کدام، تعداد استنادهای سالانه (۲۰۲۲ تا ۲۰۲۶) را از Google Scholar استخراج کنید. روی «Cited by» کلیک کنید و سپس گزینه «Check citations by year» را ببینید.

مرحله ۳: پرامپت بالا را در ChatGPT وارد کنید و داده‌ها را به آن بدهید.

مرحله ۴: خروجی را بگیرید و تصمیم بگیرید روی کدام زیرحوزه تمرکز کنید.

زمان کل برای یک حوزه با ۸ مقاله: حدود ۳۰ دقیقه (بیشتر وقت صرف استخراج داده‌های استنادی می‌شود).

🔗 اکو سیستم پرامپت نویسی پژوهشگران

پرامپت‌هایی که در این مقاله دیدید را به همراه یک مجموعه کامل پرامپت های پژوهشی به صورت یک پکیج تخصصی آماده کرده‌ام.

📌 لینک فروشگاه پرامپت آکادمی:

https://promptacademy.sellfile.ir/

📌 مطالب مرتبط در ویرگول (پیشنهادی):

• نگارش پروپوزال پایان نامه با هوش مصنوعی

• ۱۰ ابزار هوش مصنوعی کاملاً رایگان که زندگی هر محقق و نویسنده مقاله‌ای را متحول می‌کنند

• انتخاب موضوع پایان نامه با هوش مصنوعی

• انجام مرور سیستماتیک ادبیات (Systematic Review) با کمک هوش مصنوعی در کمترین زمان

• شکاف پژوهشی را با ۵ مقاله کشف کن | تکنیک «مرجع غایب» که اساتید راهنما به شما نمی‌گویند!

•  تشخیص منابع جعلی و اشتباهات استنادی با هوش مصنوعی | روشی که داوران مقاله از آن استفاده می‌کنند!