ECOOM-Interoperabiliteit onderzoekt modellen om interdisciplinariteit in onderzoek te beoordelen. Ons doel is om de manier waarop interdisciplinaire samenwerking binnen het onderzoekslandschap wordt geïdentificeerd en geëvalueerd te verbeteren.
Ons werk combineert twee complementaire benaderingen:
-
Tekstmining en machine learning: we analyseren projectabstracten, titels en trefwoorden om bijbehorende onderzoeksdisciplines te voorspellen en interdisciplinariteit te schatten door middel van afstandsmetingen.
-
Metadata-analyse: we onderzoeken de metadata van onderzoekers en onderzoeksorganisaties om interdisciplinaire patronen te detecteren op basis van disciplinaire diversiteit.
ECOOM-Interoperabiliteit verbetert deze methoden door middel van natuurlijke taalverwerking (NLP) en andere AI-technieken om de nauwkeurigheid en betrouwbaarheid ervan te vergroten. Bovendien verfijnen we deze modellen om de mate van interdisciplinariteit beter in te schatten en deze duidelijk te onderscheiden van multidisciplinariteit. Deze verbeteringen zullen leiden tot robuustere indicatoren die de classificatie van onderzoek ondersteunen, financieringsbeslissingen informeren en het gegevensbeheer in onderzoeksinformatiesystemen verbeteren.
Publicaties
Pham, S., Vancraeynest, B., Poelmans, H., Vancauwenbergh, S., and Ali-Eldin, A. (2023). Identifying interdisciplinary research in research projects. Scientometrics, 128 (10), 5521-5544.
Pham, S., Poelmans, H., and Ali-Eldin, A. (2023). A Metadata-Based Approach for Research Discipline Prediction Using Machine Learning Techniques and Distance Metrics. IEEE Access, 11. 61995-62012.
Vancraeynest, B., Pham, S., and Ali-Eldin, A. (2024). A new approach to computing the distances between research disciplines based on researcher collaborations and similarity measurement techniques. Journal of Informetrics, 18 (3), 101527.
