APPLYING MACHINE LEARNING TECHNIQUES FOR FUTURE RISING STARS PREDICTION IN ACADEMIA

APPLYING MACHINE LEARNING TECHNIQUES FOR FUTURE RISING STARS PREDICTION IN ACADEMIA. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF
Omar_[g201201820]-_Thesis_.pdf - Submitted Version

Download (3MB) | Preview

Arabic Abstract

الباحثون المبتدئون لمشوارهم البحثي، والذين يُتوقّع بمرور الزمن أن يتفوّقوا على نظرائهم في جودة أعمالهم البحثية، يشكلون حجر زاوية وعنصراً أساسياً في الجامعات وقطاعات البحث والتطوير العلمي، وتُطلق على أولئك الباحثين تسمية "النجوم الصاعدة". وفي الوقت الحاضر، فإنه من الأهمية بمكان ـ خصوصا في المؤسسات العلمية والأكاديمية ذات التنافسية العالية ـ أن يتم تطوير تقنيات لاستشراف ومعرفة احتمالية أيٍ من الباحثين المُعيّنين حديثا مؤهل لأن يُصنّف ضمن تلك "النجوم الصاعدة" في المستقبل المنظور. لذلك، قمنا في هذا العمل بتطبيق تقنيات "التعلّم الآلي" لإنتاج "نماذج" قادرة على حل مشكلة التنبؤ بصعود أولئك النجوم خصوصاً في البيئة الأكاديمية. تلك النماذج تم بنائها بالاعتماد على مؤشرات متعلقة بـ السمات الكمية وخصائص العلوم والبحث العلمي والتي تمت صياغتها، هي الأخرى، واستخدامها للمرة الأولى في هذا العمل. وإضافة إلى إنتاجنا لتلك النماذج وصياغتنا لتلك المؤشرات، فإننا في هذا العمل قد اجتهدنا في تعريف المشكلة ودراستها بأسلوب منهجي وأسس رصينة ومنها اعتمادنا ـ في بناء تلك النماذج ـ على قواعد بيانات جُمعت من واحدة من أشهر وأشمل مصادر البيانات المحكّمة والمتعلقة بالنشاط البحثي الأكاديمي. النتائج التجريبية المتحصلة أثببت فعالية تلك النماذج وقدرتها الفائقة على التنبؤ بالنجوم الصاعدة مستقبلا.

English Abstract

Newly recruited researchers who are expected to outstandingly surpass their peers in the quality of their work, are often considered as substantial assets in universities and research and development sectors. Foreseeably identifying such rising stars (RSs) is vital for highly competitive and profitable institutes and organizations. In this work, we apply machine learning techniques to propose models based on a set of Scientometric Indicators to predict RSs in academia. In addition, we define the RSs problem in a comprehensive and methodological manner. Data subsets were collected from the Web of Science (WoS) data source and used to train, test and validate the proposed models. Our experimental results show that the proposed models and indicators can be used effectively in predicting future RSs.

Item Type: Thesis (Masters)
Subjects: Computer
Research
Department: College of Computing and Mathematics > Information and Computer Science
Committee Advisor: E. Fagih, Ashraf
Committee Members: Ahmed, Moataz and K. Rowaihy, Hosam
Depositing User: OMAR BIN OBAIDELLAH (g201201820)
Date Deposited: 17 Jan 2018 04:58
Last Modified: 31 Dec 2020 08:04
URI: https://eprints.kfupm.edu.sa/id/eprint/140608