Web of Science Veri Tabanında Görsel İletişim ve Yapay Zeka Konulu Yayınların Bibliyometrik Analizi (1996-2024)

Abstract

Bu çalışmada, 1996-2024 yılları arasında Web of Science (WoS) veri tabanında yayımlanan “görsel iletişim” ve “yapay zekâ” konularındaki bilimsel yayınların bibliyometrik yöntemlerle analizi amaçlanmıştır. Bibliyografik veriler, Science Citation Index Expanded (SCI-EXPANDED), Conference Proceedings Citation Index – Science (CPCİ-S), Social Science Citation Index (SSCI), Emerging Sources Citation Index (ESCI), Art & Humanities Citation Index (A&HCİ), Books Citation Index - Science (BKCI-S) ve Conference Proceedings Citation Index – Social Science & Humanities (CPCI-SSH) olmak üzere Web of Science (WoS) Core Collection’dan alınmıştır. Web of Science veri tabanındaki yayınların taranması 26 Haziran 2025 tarihinde, 1996-2024 yılları arasındaki yayın dönemini kapsayacak şekilde gerçekleştirilmiştir. “Görsel iletişim” ve “yapay zeka” anahtar sözcükleri kullanılarak yapılan taramadan elde edilen veriler VOSviewer (v1.6.20) ve Microsoft Excel yazılımları kullanılarak analiz edilmiş ve görselleştirilmiştir. Analiz sonuçlarına göre 1996-2015 yılları arasında sınırlı sayıda yayın yayınlanmışken, 2016 yılından itibaren önemli bir artış gözlenmiş ve 2024 yılında 56 yayın ile en yüksek yıllık üretime ulaşılmıştır. Belgelerin büyük çoğunluğunu (%83) orijinal araştırma makaleleri oluşturmakta, bunu konferans bildirileri ve diğer türdeki belgeler izlemektedir. Ülke dağılımına göre Çin Halk Cumhuriyeti 176 yayınla başı çekerken, Güney Kore, ABD, İngiltere ve Hindistan gibi ülkeler de önemli katkılarda bulunmaktadır. Sadece iki yayınla temsil edilen Türkiye, gelişmekte olan ülkelerle benzer bir sıralamaya sahiptir. Yayınlar genellikle "Bilgisayar Bilimleri Bilgi Sistemleri", "Yazılım Mühendisliği" ve "Yapay Zeka" gibi teknik kategorilerde yoğunlaşırken, iletişim, eğitim, sanat ve sağlık gibi alanlarda da sınırlı sayıda çalışma tespit edilmiştir. En fazla yayının "Journal of Visual Communication and Image Representation " dergisinde yer alması, konunun özellikle görüntü işleme ve medya teknolojileri bağlamında geliştiğini göstermektedir. Anahtar kelime analizi, "görsel iletişim" ve "yapay zeka" kavramlarının literatürde merkezi bir konuma sahip olduğunu ve "makine öğrenimi", "görüntü işleme" ve "büyük veri" gibi kavramlarla sıklıkla birlikte kullanıldığını ortaya koymuştur. Bibliyografik bağlantı analizi, bazı yayınların yüksek atıf sayılarına rağmen düşük bağlantı gücüne sahip olduğunu, bazılarının ise sınırlı atıflara rağmen güçlü içerik bağlantıları kurduğunu ortaya koymuştur. Sonuç olarak, görsel iletişim ve yapay zeka kesişiminin son yıllarda akademik literatürde hızla görünürlüğünü artırdığı ve teknik, pratik ve disiplinler arası boyutlarıyla olgunlaşan bir araştırma alanı oluşturduğu belirlenmiştir.

Keywords

• Görsel iletişim
• Yapay zeka
• Yayın eğilimleri
• Anahtar kelime birlikteliği
• Atıf analizi

Bibliometric Analysis of Publications on Visual Communication and Artificial Intelligence in the Web of Science Database (1996-2024)

Abstract

This study aims to analyze the scientific literature focused on “visual communication” and “artificial intelligence” published in the Web of Science (WoS) database between 1996 and 2024 using bibliometric methods. Research data were obtained by searching different indexes within the WoS Core Collection; VOSviewer and Microsoft Excel software were used for data analysis and visualization. The analysis results reveal that publication output in the field has shown a marked increase since 2016 and that a large portion of the documents consist of research articles. While the People's Republic of China plays a dominant role in the country-based distribution, it has been determined that the studies are thematically concentrated in technical fields such as computer science, artificial intelligence, and software engineering. Keyword analyses show that the concepts of “visual communication” and “artificial intelligence” are centrally intertwined with the themes of machine learning and image processing. Consequently, it has been determined that academic interest at the intersection of these two disciplines is rapidly increasing and that the field is maturing into an interdisciplinary structure.

Keywords

• Visual communication
• Artificial intelligence
• Publication trends
• Keyword co-occurrence
• Citation analysis

References

1. Berger, J. (1972). Ways of seeing. British Broadcasting Corporation & Penguin Books.
2. Bishop, L., & Goebl, W. (2015). When they listen and when they watch: Pianists’ use of nonverbal audio and visual cues during duet performance. Musicae Scientiae, 19(1), 84–110. https://doi.org/10.1177/1029864915570355
3. Bishop, L., & Goebl, W. (2018). Beating time: How ensemble musicians’ cueing gestures communicate beat position and tempo. Psychology of Music, 46(1), 84–106. https://doi.org/10.1177/0305735617702971
4. Bonomi, M., Pasquini, C., & Boato, G. (2021). Dynamic texture analysis for detecting fake faces in video sequences. Journal of Visual Communication and Image Representation, 79, 103239. https://doi.org/10.1016/j.jvcir.2021.103239
5. Chen, L., Wang, P., Dong, H., Shi, F., Han, J., Guo, Y., Childs, P. R. N., Xiao, J., & Wu, C. (2019a). An artificial intelligence based data-driven approach for design ideation. Journal of Visual Communication and Image Representation, 61, 10–22. https://doi.org/10.1016/j.jvcir.2019.02.009
6. Chen, M., Han, X., Zhang, H., Lin, G., & Kamruzzaman, M. (2019b). Quality guided key frames selection from video stream based on object detection. Journal of Visual Communication and Image Representation, 65, 102678. https://doi.org/10.1016/j.jvcir.2019.102678
7. Doğan, E. (2015). Türkiye’deki görsel iletişim tasarımı bölümleri üzerine genel bir durum analizi. İletişim Çalışmaları Dergisi, 1(1), 15–33.
8. Dou, A., Xu, W., & Liu, R. (2025). Starting from Sora: A scientometric analysis of generative videos for educational purposes. International Journal of Distance Education Technologies (IJDET), 23(1), 1–19. https://doi.org/10.4018/IJDET.373234

9. Du, S., Zheng, N., Xiong, L., Ying, S., & Xue, J. (2010). Scaling iterative closest point algorithm for registration of m-D point sets. Journal of Visual Communication and Image Representation, 21(5–6), 442–452. https://doi.org/10.1016/j.jvcir.2010.02.005
10. Du, S. Y., Liu, J., Bi, B., Zhu, J. H., & Xue, J. R. (2016). New iterative closest point algorithm for isotropic scaling registration of point sets with noise. Journal of Visual Communication and Image Representation, 38, 207–216. https://doi.org/10.1016/j.jvcir.2016.02.019
11. Gao, Z., Wang, D. Y., Xue, Y. B., Xu, G. P., Zhang, H., & Wang, Y. L. (2018). 3D object recognition based on pairwise multi-view convolutional neural networks. Journal of Visual Communication and Image Representation, 56, 305–315. https://doi.org/10.1016/j.jvcir.2018.10.007
12. Geçimli, M., & Köksal, K. (2022). “Sanat ve tasarım” anahtar sözcüklü araştırmaların bibliyometrik analizi. Turkish Studies-Social Sciences, 17(5), 767–786.
13. Huang, Y., & Chen, R. (2024). Scientific mapping and bibliometric analysis of research advancements in underwater image enhancement. Journal of Visual Communication and Image Representation, 101, 104166. https://doi.org/10.1016/j.jvcir.2024.104166
14. Jay Kuo, C. C., & Madni, M. A. (2023). Green learning: Introduction, examples and outlook. Journal of Visual Communication and Image Representation, 90, 103685. https://doi.org/10.1016/j.jvcir.2022.103702
15. Kartal, H. (2025). Görsel iletişim tasarımı ve görsel tasarım alanlarında yazılan tez çalışmalarının bibliyometrik analizi. Sanat ve Tasarım Dergisi, 35, 223–239.
16. Kusumawati, A., Sartika, Rahimah, A., & Abdillah, Y. (2024). Mapping the landscape of avatar marketing: A bibliometric analysis of trends and future directions. Cogent Business & Management, 11(1). https://doi.org/10.1080/23311975.2024.2427428
17. Lester, P. M. (2013). Visual communication: Images with messages. Wadsworth.
18. Liu, Y., Al-Shehari, H., & Zhang, H. (2022). Attention mechanism enhancement algorithm based on cycle consistent generative adversarial networks for single image dehazing. Journal of Visual Communication and Image Representation, 83, 103434. https://doi.org/10.1016/j.jvcir.2021.103434
19. Livatino, S., Guastella, D. C., Muscato, G., Rinaldi, V., Cantelli, L., Melita, C. D., Caniglia, A., Mazza, R., & Padula, G. (2021). Intuitive robot teleoperation through multi-sensor informed mixed reality visual aids. IEEE Access, 9, 25795–25808. https://doi.org/10.1109/ACCESS.2021.3057808
20. Mo, Y., Li, C., Zheng, Y., & Wu, X. (2022). DCA-CycleGAN: Unsupervised single image dehazing using dark channel attention optimized CycleGAN. Journal of Visual Communication and Image Representation, 82, 103431. https://doi.org/10.1016/j.jvcir.2021.103431
21. Niu, G., & Chen, Q. (2018). Learning a video frame-based face detection system for security fields. Journal of Visual Communication and Image Representation, 55, 457–463. https://doi.org/10.1016/j.jvcir.2018.07.001
22. Otsuka, T., & Ohya, J. (1996). Recognition of facial expressions using HMM with continuous output probabilities. In Proceedings of the 5th IEEE International Workshop on Robot and Human Communication (RO-MAN ’96) (pp. 323–328). IEEE. https://doi.org/10.1109/ROMAN.1996.568857
23. Petković, G., Pasanec Preprotic, S., & Kozjan Cindric, A. (2025). Experiential graphic design: Informing, inspiring, and integrating people in physical spaces—A review. Buildings, 15, 1862. https://doi.org/10.3390/buildings15111862
24. Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.
25. Sahu, G., Seal, A., Krejcar, O., & Yazidi, A. (2020). Single image dehazing using a new color channel. Journal of Visual Communication and Image Representation, 74, 103008. https://doi.org/10.1016/j.jvcir.2020.103008
26. Sengupta, I. N. (1992). Bibliometrics, informetrics, scientometrics and librametrics: An overview. Libri, 42(2), 75–98.
27. Shang, C., Wu, F., Wang, M., & Gao, Q. (2022). Cattle behavior recognition based on feature fusion under a dual attention mechanism. Journal of Visual Communication and Image Representation, 85, 103524. https://doi.org/10.1016/j.jvcir.2022.103524
28. Sun, K., Zhang, J., Zhang, P., Yuan, K., & Li, G. (2023). TsrNet: A two-stage unsupervised approach for clothing region-specific textures style transfer. Journal of Visual Communication and Image Representation, 91, 103778. https://doi.org/10.1016/j.jvcir.2023.103778
29. Ulaşan, F. (2023). The dark side of artificial intelligence on the basis of public administration. Journal of Society, Economics and Management, 4(Special), 301–323. https://doi.org/10.58702/teyd.1345570
30. Vaccari, C., & Chadwick, A. (2020). Deep fakes and disinformation: Exploring the impact of synthetic political video on deception, uncertainty, and trust in news. Social Media + Society, 6(1). https://doi.org/10.1177/2056305120903408
31. Wang, L. (2022). Innovation of visual communication design of interactive packaging for internet-famous food based on artificial intelligence. Scientific Programming, 2022, Article 5828852. https://doi.org/10.1155/2022/5828852
32. Wang, X., Xue, J., Zheng, Z., Liu, Z., & Li, N. (2012). Image forensic signature for content authenticity analysis. Journal of Visual Communication and Image Representation, 23(5), 782–797. https://doi.org/10.1016/j.jvcir.2012.03.005
33. Wu, J., Zeng, J., Dong, W., Shi, G., & Lin, W. (2019). Blind image quality assessment with hierarchy: Degradation from local structure to deep semantics. Journal of Visual Communication and Image Representation, 58, 353–362. https://doi.org/10.1016/j.jvcir.2018.12.005
34. Wu, M. Y., Ting, P. W., Tang, Y. H., Chou, E. T., & Fu, L. C. (2020). Hand pose estimation in object-interaction based on deep learning for virtual reality applications. Journal of Visual Communication and Image Representation. https://doi.org/10.1016/j.jvcir.2020.102802
35. Yang, Y., He, P., Wang, S., Tian, Y., & Zhang, W. (2023). DB-TASnet for disease diagnosis and lesion segmentation in medical images. Journal of Visual Communication and Image Representation, 95, 103896. https://doi.org/10.1016/j.jvcir.2023.103896
36. Yegin, Y. T. (2023). Grafik tasarımı alanında yapılan çalışmaların incelenmesi: WoS örneği. International Social Mentality and Researcher Thinkers Journal, 9(75), 4607–4616. http://dx.doi.org/10.29228/smryj.72395
37. Zhang, J., Zhang, L., Liu, T., & Wang, Y. (2021). YOLSO: You only look small object. Journal of Visual Communication and Image Representation, 81, 103348. https://doi.org/10.1016/j.jvcir.2021.103348
38. Zhang, X., & Dahu, W. (2019). Application of artificial intelligence algorithms in image processing. Journal of Visual Communication and Image Representation, 61, 42–49. https://doi.org/10.1016/j.jvcir.2019.03.004