การใช้วิธีการทางบรรณมิติในการวิเคราะห์งานวิจัยที่เกี่ยวข้องกับการจัดการความรู้และข้อมูลมหัต
DOI:
https://doi.org/10.14456/jiskku.2024.23คำสำคัญ:
การวิเคราะห์บรรณมิติในระดับมหภาค, การวิเคราะห์บรรณมิติในระดับจุลภาค, การวิเคราะห์การอ้างอิง, การวิเคราะห์การใช้คำสำคัญร่วม, การจัดการความรู้, ข้อมูลมหัตบทคัดย่อ
วัตถุประสงค์: เพื่อศึกษาสภาพปัจจุบันของงานวิจัยเกี่ยวกับการจัดการความรู้และข้อมูลมหัต และเพื่อวิเคราะห์เนื้อหางานวิจัย ทิศทาง และแนวโน้มของการวิจัยในอนาคต
วิธีการศึกษา: งานวิจัยนี้ใช้วิธีการวิเคราะห์เอกสารด้วยวิธีการวิเคราะห์ทางบรรณมิติในผลงานที่เกี่ยวข้องกับการจัดการความรู้และข้อมูลมหัตที่ตีพิมพ์ระหว่างปี ค.ศ. 2007 ถึง 2023 ในฐานข้อมูล Scopus โดยการวิเคราะห์ทางบรรณมิติในระดับมหภาคเพื่อสะท้อนสภาพทั่วไปของงานวิจัยในระดับประเทศ องค์กร แหล่งตีพิมพ์ผลงาน และนักวิจัย ในขณะที่การวิเคราะห์ในระดับจุลภาคเป็นการวิเคราะห์เนื้อหาและทิศทางงานวิจัยที่เกี่ยวข้องการจัดการความรู้และข้อมูลมหัต
ข้อค้นพบ: ผลการวิเคราะห์ระดับมหภาค พบว่า งานวิจัยทางด้านนี้ได้กระจายไปทุกภูมิภาคของโลก ประเทศที่มีการผลิตผลงานตีพิมพ์ทางด้านนี้สูงสุด ประเภทองค์กรที่ผลิตผลงานวิจัยจำนวนมาก คือ สถาบันการศึกษา การวิเคราะห์ระดับจุลภาคชี้ให้เห็นว่า ทิศทางในอนาคตของการวิจัยทางด้านการจัดการความรู้และข้อมูลมหัตเป็นงานวิจัยที่มีลักษณะบูรณาการหลายศาสตร์สาขา ที่นำไปสู่การสร้างเครื่องมือใหม่ ๆ อาทิ งานวิจัยทางด้านการพัฒนาระบบปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และการวิเคราะห์ข้อมูล เพื่อที่จะใช้ในการสกัดเอาความรู้ออกจากคลังข้อมูลที่เป็นข้อมูลมหัตมาใช้ให้เกิดประโยชน์ต่อองค์กร รวมถึงการศึกษาเทคโนโลยีที่เกื้อกูลต่อการวิเคราะห์ความหมายของกลุ่มคำอย่างเว็บเชิงความหมาย และศาสตร์ที่สร้างความเชื่อมโยงและแสดงความสัมพันธ์ระหว่างคำอย่างออนโทโลยี รวมถึงงานวิจัยทางด้านอินเทอร์เน็ตแห่งสรรพสิ่ง เพื่อการรวบรวม เข้าถึง และประมวลผลข้อมูลมหัตในระบบการคำนวณด้วยคลาวด์แพลตฟอร์ม
การประยุกต์ใช้จากการศึกษานี้: ผลการศึกษาครั้งนี้ชี้ให้เห็นว่า วิธีการวิเคราะห์ทางบรรณมิติสามารถใช้ในการวิเคราะห์และสังเคราะห์งานวิจัยต่าง ๆ ได้ทั้งในทางกว้าง และทางลึก โดยในทางกว้างนั้นแสดงให้เห็นถึงความก้าวหน้าของงานวิจัย โดยชี้ให้เห็นถึงประเทศและหน่วยงานที่มีความเกี่ยวข้องและเชี่ยวชาญในงานวิจัยด้านหนึ่ง ๆ และในขณะที่การวิเคราะห์เชิงลึกทำให้เห็นภาพเนื้อหาหลักระหว่างสองศาสตร์ที่กำลังวิเคราะห์และความเชื่อมโยงไปยังศาสตร์อื่น ๆ ที่เกี่ยวข้อง นอกจากนี้ ยังพบว่า วิธีการวิเคราะห์ทางบรรณมิติเป็นวิธีการที่เหมาะสมในการนำมาศึกษาความสัมพันธ์ระหว่างการจัดการความรู้และข้อมูลมหัต เพราะผลการวิเคราะห์แสดงให้เห็นว่า มีความสัมพันธ์กันอย่างมีนัยสำคัญ โดยข้อมูลมหัตเป็นแหล่งข้อมูลขนาดใหญ่ที่เก็บความรู้ขององค์กร ขณะที่การจัดการความรู้เป็นเครื่องมือที่ใช้ในการวิเคราะห์เพื่อดึงหรือสกัดเอาความรู้ออกมาจากแหล่งข้อมูลขนาดใหญ่ซึ่งเป็นคลังความรู้ในทุก ๆ ด้านขององค์กรออกมาใช้ประโยชน์ อย่างไรก็ตาม ด้วยตัวข้อมูลมหัตเองมีคุณลักษณะด้านความหลากหลายของข้อมูล และเป็นข้อมูลที่มีทั้งความลึกและกว้าง ดังนั้น การจะสกัดเอาความรู้จากข้อมูลมหัตออกมาใช้งานจึงต้องใช้กระบวนการและเครื่องมือของการจัดการความรู้ที่มีการบูรณาการเข้ากับศาสตร์สาขาต่าง ๆ เช่น ปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และออนโทโลยี เป็นต้น แนวทางในการนำเอาเทคนิคเหล่านี้เพื่อดึงเอาความรู้ขององค์กรมาใช้ประโยชน์นั้นจะขึ้นอยู่กับรูปแบบของข้อมูลและสถานการณ์ในการนำเอาความรู้จากข้อมูลมหัตไปใช้งาน ทั้งนี้มุมมองในลักษณะนี้ คือผลลัพธ์ที่เป็นจุดเด่นของวิธีการวิเคราะห์ทางบรรณมิติที่สามารถจะสังเคราะห์ออกมาให้เห็นได้ และวิธีการนี้น่าจะสามารถนำไปใช้วิเคราะห์งานวิจัยหรือความรู้ในสาขาอื่น ๆ ได้ด้วยเช่นกัน
Downloads
เอกสารอ้างอิง
Ackoff, R. (1989). From data to wisdom. Journal of Applied Systems Analysis, 16, 3-9.
Anshari, M., Syafrudin, M., Tan, A., Fitriyani, N. L., & Alas, Y. (2023). Optimisation of Knowledge Management (KM) with Machine Learning (ML) enabled. Information, 14(1), 35. https://doi.org/10.3390/info14010035
Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
Bag, S., Gupta, S., Kumar, A., & Sivarajah, U. (2021). An integrated artificial intelligence framework for knowledge creation and B2B marketing rational decision making for improving firm performance. Industrial Marketing Management, 92, 178-189. https://doi.org/10.1016/j.indmarman.2020.12.001
de Bem Machado, A., Secinaro, S., Calandra, D., & Lanzalonga, F. (2022). Knowledge management and digital transformation for Industry 4.0: A structured literature review. Knowledge Management Research and Practice, 20(2), 320-338. https://doi.org/10.1080/14778238.2021.2015261
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W.M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070
Hetter, K. (2023). What does the end of the Covid-19 national emergency mean? Our medical analyst explains. Retrieved from https://edition.cnn.com/2023/05/11/health/coronavirus-booster-vaccine-pandemic-wellness/index.html
Karaboğa, T, Şehitoğlu, Y., & Karaboğa, H.A. (2022). The evolution of big data in knowledge management: A bibliometric analysis. Information World, 23(1), 49-79.
Lim, W.M., & Kumar, S. (2024). Guidelines for interpreting the results of bibliometric analysis: A sensemaking approach. Global Business and Organizational Excellence, 43(2), 17-26. https://doi.org/10.1002/joe.22229
Martín-Martín, A., Thelwall, M., Orduna-Malea, E., & Delgado López-Cózar, E. (2021). Google Scholar, Microsoft Academic, Scopus, Dimensions, Web of Science, and OpenCitations’ COCI: A multidisciplinary comparison of coverage via citations. Scientometrics, 126(1), 871-906. https://doi.org/10.1007/s11192-020-03690-4
Mirhashemi, A., Amirifar, S., Kashani, T.A., & Zou, X. (2022). Macro-level literature analysis on pedestrian safety: Bibliometric overview, conceptual frames, and trends. Accident Analysis and Prevention, 174, 106720. https://doi.org/10.1016/j.aap.2022.106720
Nakagawa, S., Samarasinghe, G., Haddaway, N.R., Westgate, M.J., O'Dea R.E., Noble, D.W.A., & Lagisz, M. (2019). Research weaving: Visualizing the future of research synthesis. Trends in Ecology and Evolution, 34(3), 224-238. https://doi.org/10.1016/j.tree.2018.11.007
Nonaka, I., & Takeuchi, H. (1995). The knowledge creating company: How Japanese companies create the dynamic of innovation. New York: Oxford University.
Rothberg, H.N., & Erickson, G.S. (2017). Big data systems: Knowledge transfer or intelligence insights?. Journal of Knowledge Management, 21(1), 92-112. https://doi.org/10.1108/JKM-07-2015-0300
Schmidmaier, D. (1977). Application of bibliometrics in technical university libraries. 1977 IATUL Proceedings. (129-135). West Lafayette: Purdue University
Siririn, J. (2022). Explore 'The Chinese Graduate Institute,' the 'Brain Repository' prototype in the 5.0 era. (In Thai). Retrieved from https://www.salika.co/2022/06/14/chinese-academy-of-sciences
Sumbal, M. S., Tsui, E., & See-to, E. W. K. (2017). Interrelationship between big data and knowledge management: An exploratory study in the oil and gas sector. Journal of Knowledge Management, 21(1), 180-196. https://doi.org/10.1108/JKM-07-2016-0262
van Leeuwen, T. (2004). Descriptive versus evaluative bibliometrics. In H.F. Moed, W. Glänzel, & U. Schmoch (Eds.), Handbook of quantitative science and technology research (pp.373-388). Dordrecht: Springer. https://doi.org/10.1007/1-4020-2755-9_17
Wang, X., Lu, J., Song, Z., Zhou, Y., Liu, T., & Zhang, D. (2022). From past to future: Bibliometric analysis of global research productivity on nomogram (2000–2021). Frontiers in Public Health, 10, 1-15. https://doi.org/10.3389/fpubh.2022.997713
