پژوهشنامه پردازش و مدیریت اطلاعات

پژوهشنامه پردازش و مدیریت اطلاعات

طراحی سامانه‌های پیشنهاددهنده داور علمی: یک مرور دامنه‌ای جهت شناسایی چارچوب جامع

نوع مقاله : مقاله پژوهشی

نویسندگان
غزاله منصوری 1
ابوالفضل طاهری 1
نرجس متقی 2
رسول نوری 1
1 کتابداری و اطلاع رسانی پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
2 lمهندسی کامپیوتر، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران
10.22034/jipm.2025.2073841.2109
چکیده
فرایند داوری علمی یکی از ارکان بنیادی نظام نشر پژوهشی است که تضمین کیفیت، اصالت، و اعتبار مقالات را بر عهده دارد. با افزایش حجم تولیدات علمی، تنوع حوزه‌ها و گسترش پژوهش‌های میان‌رشته‌ای، انتخاب داوران متخصص و بی‌طرف به چالشی جدی برای سردبیران تبدیل شده است. در پاسخ به این چالش، سامانه‌های پیشنهاددهنده داور علمی با بهره‌گیری از داده‌های متنی، سوابق علمی، شبکه‌های همکاری و الگوریتم‌های هوشمند توسعه یافته‌اند تا فرایند تخصیص داور را خودکار و بهینه کنند. این پژوهش با هدف مرور دامنه‌ای روش‌ها، داده‌ها و الگوریتم‌های به‌کاررفته در طراحی این سامانه‌ها انجام شده است. برای دستیابی به تصویری جامع، جست‌وجویی نظام‌مند در پایگاه‌های بین‌المللی IEEE، PubMed، Scopus و Web of Science و نیز پایگاه‌های فارسی «مگیران»، SID، «ایرانداک» و «نورمگز» برای بازه زمانی ۲۰۱۰ تا آگوست ۲۰۲۵ صورت گرفت. پس از غربالگری، ۲۵ مطالعه واجد شرایط انتخاب و تحلیل شدند. نتایج نشان داد که سامانه‌های کارآمد به‌طور معمول، از ترکیب پردازش زبان طبیعی برای تطبیق معنایی متن مقاله و پروفایل داور، تحلیل شبکه‌های علمی برای تشخیص تضاد منافع، مدل‌های یادگیری ماشین و الگوریتم‌های ماتریس نویسنده–موضوع برای طبقه‌بندی تخصص، و همچنین روش‌های بهینه‌سازی عدالت‌محور برای توزیع متوازن بار داوری بهره می‌گیرند. سامانه‌های چندمنبعی که داده‌های متنی، شاخص‌های علم‌سنجی و شبکه‌های همکاری را یکپارچه می‌کنند، پوشش میان‌رشته‌ای و دقت بیشتری ارائه می‌دهند. با وجود این پیشرفت‌ها، محدودیت‌هایی همچون نبودِ داده‌های استاندارد، دشواری یکپارچه‌سازی منابع اطلاعاتی و چالش‌های مربوط به شفافیت و بی‌طرفی الگوریتم‌ها همچنان پابرجاست. این مطالعه با ارائه چارچوبی مفهومی، مسیر توسعه نسل آینده سامانه‌های پیشنهاددهنده داور را ترسیم می‌کند؛ سامانه‌هایی که با پشتیبانی از داوری میان‌رشته‌ای و رعایت اصول اخلاقی می‌توانند به افزایش عدالت، اعتماد و کیفیت فرایند داوری علمی کمک کنند.
کلیدواژه‌ها
سامانه پیشنهاد‌دهنده
داوری علمی
مقالات علمی
مرور نظام‌مند
موضوعات

عنوان مقاله English

Scholarly Reviewer Recommendation Systems: A Scoping Review and Conceptual Framework

نویسندگان English

ghazale mansouri 1
abolfazl taheri 1
narjes mottaghi 2
rasool noori 1
1 medical library and information sciences; school of management; Isfahan university of medical sciences; Isfahan; iran
2 computer sciences; school of management; isfahan university of medical sciences; isfahan; iran
چکیده English

Peer review process is a cornerstone of scholarly publishing, playing a pivotal role in ensuring the quality and credibility of academic articles. With the increasing volume of scientific publications and the growth of interdisciplinary research, identifying qualified reviewers has become a significant challenge for editors. To address this issue, scholarly reviewer recommendation systems have been developed, leveraging textual data, research records, collaboration networks, and intelligent algorithms to automate and optimize reviewer selection. This study aims to provide a scoping review of the methods and algorithms used in designing these systems and to propose a conceptual framework for their future development.
A comprehensive scoping review was conducted using international databases (IEEE, PubMed, Scopus, Web of Science) and Persian databases (Magiran, SID, IranDoc, Noormags) for the period 2010–2025. After screening, 28 eligible studies were selected and analyzed according to technical approaches, system types, application domains, data sources, reviewer assignment criteria, and evaluation metrics.
The review revealed that combining multiple technical approaches—such as natural language processing for semantic matching between articles and reviewer profiles, network analysis to detect conflicts of interest and hidden relationships, machine learning and author-topic matrix models for expertise classification, and fairness-oriented optimization algorithms for balanced workload distribution—yields the most effective performance in reviewer recommendation systems. Multi-source hybrid systems that integrate textual data, bibliometric indicators, and collaboration networks provide enhanced performance and broader interdisciplinary coverage.
Integrating diverse technical approaches, multi-source data, and semantic and network-based analysis can significantly improve the efficiency and reliability of reviewer recommendation systems. Nevertheless, challenges such as the lack of standardized datasets, difficulties in integrating multiple information sources, and concerns regarding algorithmic transparency and fairness persist. The proposed conceptual framework aims to guide the development of next-generation systems capable of supporting interdisciplinary reviews, ensuring fairness, maintaining ethical standards, and ultimately enhancing the quality, trustworthiness, and advancement of scholarly research.

کلیدواژه‌ها English

Academic Articles
Peer Review
Reviewer Recommendation System
Scoping Review
فهرست منابع
فتاحی، رحمت‌ا... 1385. مدیریت نشریه‌های ادواری: جنبه‌های نظری و کاربردی در گزینش، فراهم‌آوری، سازماندهی و ارائه خدمات ادواری‌ها. ویرایش دوم. تهران: نشر چاپار.
مظفری‌وانانی، امیرمحمد، رسول نوری، اکبر حسن‌زاده، و علیرضا رحیمی. 1399. بررسی تطبیقی سامانه‌های مدیریت نشریات ادواری مجلات دانشگاه‌های علوم پزشکی کشور براساس مؤلفه‌های کاربردپذیری. مدیریت اطلاعات سلامت  17(1): 14-20.
References
Aksoy, M., S. Yanik, & M. F. Amasyalı. 2023. Reviewer assignment problem: A systematic review of the literature. JAIR. Journal of Artificial Intelligence Research 76: 761–827. https://doi.org/10.1613/JAIR.1.14318
Al-Jarrah, H., M. Al-Asa'd, S. A. Al-Zboon, ... & M. AL-Smadi. 2019. Resolving Conflict of Interests and Recommending Expert Reviewers for Academic Publications Using Linked Open Data. 2019 Sixth International Conference on Social Networks Analysis, Management and Security (SNAMS), Granada, Spain, 91-98.
Al-Zboon, S.A., S. Tawalbeh, H.A. Aljarrah, ..., & M. Al-Smadi. 2019. Resolving conflict of interests in recommending reviewers for academic publications using link prediction techniques. Conference: International Conference on New Trends in Computing Sciences (ICTCS 2019) At: Amman, Jordan.
Baglioni, M., A. Mannocci, P. Manghi, C. Atzori, A. Bardi, & S. LaBruzzo. 2021. Ceur Workshop Proceedings. Reflections on the misuses of ORCID iDs, 117-125.
Charlin, L., R. S. Zemel, & C. Boutilier. 2011. A framework for optimizing paper matching. https://doi.org/10.48550/arXiv.1202.3706
Choi, D-H., J.W. Hyun, & Y.R. Kim. 2023. An algorithm for peer reviewer recommendation based on scholarly activity assessment. IEEE Access 11: 7685-7696.
Crego, A., E. Laurenzi, D. Rordorf, & J. Käser. 2023. A hybrid intelligent approach combining machine learning and a knowledge graph to support academic journal publishers addressing the reviewer assignment problem (RAP). Conference: AAAI 2023 Spring Symposium on Challenges Requiring the Combination of Machine Learning and Knowledge Engineering (AAAI-MAKE 2023) At: Hyatt Regency, San Francisco Airport, California, USAVolume: CEUR-WS 3433.
Das, A.B., & S.K. Sakib. 2024. Unveiling and Mitigating Bias in Large Language Model Recommendations: A Path to Fairness. arXiv preprint arXiv; 2409.10825. https://arxiv.org/pdf/2409.10825
Dinnissen, K., & C. Bauer. 2022. Fairness in Music Recommender Systems: A Stakeholder-Centered Mini Review. Front Big Data 5: 913608.
Fattahi, R.A. 2006. Management of Periodicals: Theoretical and Practical Aspects in Selecting, Providing, Organizing, and Organizing Periodical Services. Second Edition. Tehran: Chapar Publishing. [In Persian]
Gannon, F. 2001. The essential role of peer review. European Molecular Biology Organization Reports (EMBO) Rep 2 (9): 743.
Hoang, D.T., N.T. Nguyen, B. Collins & D. Hwang. 2021. Decision support system for solving reviewer assignment problem. Cybernetics and Systems 52 (5): 169-185.
Huang, Y., S. Xu, S. Cai, & L. Lü. 2023. A multilayer network diffusion-based model for reviewer recommendation. Chinese Physics B 33 (3): 038901.
Kreutz, C.K., & R. Schenkel. 2021. RevASIDE: Assignment of Suitable Reviewer Sets for Publications from Fixed Candidate Pools. DOI:10.48550/arXiv.2110.02862
Kreutz, C.K., & R. Schenkel. 2023. Revaside: Evaluation of assignments of suitable reviewer sets for publications from fixed candidate pools. Journal of Data Intelligence 4 (1&2): 101-133.
Lin, J., J. Song, Z. Zhou, Y. Chen, & X. Shi. 2023. Automated scholarly paper review: Concepts, technologies, and challenges. Information Fusion  98 (3): 101830.
Liu, X., D. Yin, J. Zheng, ..., & J. Tang. 2022. OAG-BERT: Towards a Unified Backbone Language Model for Academic Knowledge Services. https://arxiv.org/abs/2103.02410 (accessed June 9, 2026)
Mittal, K., A. Patel, A. Chaudhary, & D. Tayal. 2020. A Novel Method for Reviewer Assignment Problem Based on Reviewers’ Profile and Fuzzy Graph Connectivity Measure. IEEE, 2020 International Conference on Intelligent Engineering and Management (ICIEM). London, United Kingdom. IEEE.
Mozafari-Vanani, A.M., R. Nouri, A. Hassanzadeh, & A. Rahimi. 2020. A Comparative Study on Iranian Journal Management Systems in Universities of Medical Sciences Based on the Usability Components. Health Information Management 17 (1): 14-20. [In Persian]
Peters M.D.J., C. Marnie, A.C. Tricco, ..., H. Khalil. 2020. Updated methodological guidance for the conduct of scoping reviews. JBI evidence synthesis 18 (10): 2119-2126.
Stelmakh, I., N.B. Shah, & A. Singh. 2018. PeerReview4All: Fair and accurate reviewer assignment in peer review. https://arxiv.org/abs/1806.06237 (accessed June 9, 2026)
Wang, F., N. Shi, & B. Chen. 2010. A Comprehensive Survey of the Reviewer Assignment Problem. International Journal of Information Technology & Decision Making 09 (04): 645-668.
Wei, J., H. Zhang, F. Hao, A. Lin and S. Wang 2024. A Machine Learning-Based Hybrid Recommender Framework for Smart Medical Systems. PeerJ Computer Science 10: e1279.
Wu, M. 2024. Advanced Academic Team Worker Recommendation Models.?
Yong, Y., Z. Yao, & Y. Zhao. 2021. Beyond accuracy: A feature crossing method for Chinese thesis reviewer recommendation. Conference: 2021 IEEE International Conference on Systems, Man, and Cybernetics (SMC). ?

  • تاریخ دریافت 14 مهر 1404
  • تاریخ بازنگری 11 آذر 1404
  • تاریخ پذیرش 15 آذر 1404