تشخیص خودکار شاخه موضوعی اصطلاحات MeSH با محاسبه بسامد رخداد آن ها در MEDLINE

مقدمه: تحت تاثیر پویایی اصطلاحات تخصصی، امروزه طبقه بندی موضوعات پیچیده تر شده است زیرا هر مدرک می تواند در چند طبقه موضوعی جای بگیرد. بر این اساس، پژوهش حاضر با هدف تعیین کارآمدی روش تشخیص خودکار شاخه اصلی اصطلاحاتMeSH از طریق محاسبه نسبت فراوانی آن ها در دسته مدارک مرتبط وغیر مرتبط انجام شد.روش بررسی: روش پژوهش توصیفی، با استفاده از تحلیل اسنادی و نوع آن کاربردی است. در تیر ماه ۱۳۹۱ شمسی از MeSH و پایگاه PubMed به عنوان منابع گردآوری اطلاعات بهره گرفته شد. اعتبار این منابع، روا بودن بهره گیری از آن ها را  تائید می کند. تعداد ۱۸۱۶۴ اصطلاح MeSH و ۱۶۳۲۲۶ مدرک از PubMedبرگزیده شد. در گزینش آن ها، هیچ محدودیت زمانی اعمال نشد. این تعداد، از حجم نمونه به روش کوکران بالاتر بود. با جستجو در PubMed، یازده دسته مدرک حاصل شد. نسبت حضور هر اصطلاح در این دسته ها محاسبه و نتیجه با شاخه واقعی آن در درخت MeSH مقایسه شد. شاخه اصلی یک درصد از این اصطلاحات توسط متخصصان پزشکی نیز پیش بینی گردید. برای بررسی داده ها، از روش توزیع فراوانی و آزمون هایT و Chi-Squar بهره گرفته  شد. تحلیل داده ها با نرم افزارSPSS  صورت گرفت.یافته ها: مدارکPubMed به طور متوسط به سه شاخه مربوط بودند و غالب اصطلاحات در تمامی دسته ها حضور داشتند. مشخص شد که روش پیشنهادی، احتمال تشخیص منطبق با ساختار درخت موضوعیMeSH را افزایش می دهد و کارآمدی آن بسته به شاخه موضوعی، بین ۳ تا ۶۷ درصد متفاوت است. پیش بینی متخصصان پزشکی درباره شاخه موضوعی هر اصطلاح، به طور معناداری با ساختار MeSHمنطبق بود.نتیجه گیری: سطح انطباق تشخیص طبقه موضوعات به روش های عینی و ذهنی در حوزه های گوناگون فرق می کند. از آن جا که طبقه بندی های ذهنی کاری  کاملا  ادراکی و مربوط به تجربه های بیرونی بشری است، مدل های ماشینی نمی توانند دقیقا آن فرآیند را مشابه سازی کنند.