ويژگي‏‌هاي مشترك قوانين تجربي معروف در علم‏‌سنجي: نگاهي از زاويه دسته‏‌بندي داده‌‏ها براساس توزيع فراواني

Common Features of Well-known Empirical Laws in Scientometrics: Data Grouping Based on Frequency Distribution

هدف: بررسی چهار قانون معروف در حوزه كتاب‏‌سنجی و علم‏‌سنجی (لوتكا، برادفورد، زیپف، و پرتو) از زاویه دسته‏‌بندی داده‏‌های آنها براساس توزیع فراوانی. روش‏/ رویكرد پژوهش: روش سندی- تحلیلی. با بررسی داده‏‌های مرتبط با قواعد چهارگانه ‏علم‌‏سنجی به‌دسته‌بندی داده‏‌ها براساس توزیع فراوانی آنها پرداخته است. یافته‌ها: شكل اولیه داده‏‌ها در این چهار توزیع، حاوی رتبه هر موجودیت، فراوانی ویژگی مورد مطالعه، و مقدار فراوانی مطلق آن ویژگی در آن موجودیت است. در هریك از این قوانین، موجودیت‌‏ها براساس میزان فراوانی در ویژگی مورد نظر به چند دسته تقسیم می‏‌شوند: پرتو (2 دسته)، برادفورد (3 دسته)، لوتكا (به تعداد حداكثر فراوانی)، و زیپف (به تعداد واژگان متن). نتیجه‌گیری: نتایج مربوط به نحوه دسته‌‏بندی موجودیت‌‏ها و تعیین تعداد موجودیت‏‌های درون هر دسته حاكی از آن است كه تفاوت بین فراوانی دسته‏‌ها تابع یك توزیع مشخص است. قوانین چهارگانه را می‏توان برای دسته‌‏بندی موجودیت‏‌های مختلف براساس ویژگی‏‌های متعدد تعمیم داد.

Purpose: To study four well-known empirical laws in Bibliometrics and Scientometrics (Lutka, Bradford, Zipf and Pareto) and group their data based on frequency distribution. Methodology: It is an applied and descriptive research which analyzes documents. Data is categorized based on frequency distribution through studying data related to four scientometrics laws. Results: Data in four groups contain the object rank, the studied feature and the frequency of the feature in that object. In each law, data are classified into different groups: Pareto (2 groups), Bradford (3 groups), Lutka (equal to the maximum frequency), and Zipf (equal to text words). Conclusion: Grouping of objects and the number of objects inside each group follow a certain distribution. These empirical laws can be used to group different objects based on plenty of features.