DETERMINATION OF THE FEATURED TOPICS AND METHODS IN THE SOCIAL SCIENCES JOURNALS INDEXED IN ULAKBİM WITH TEXT MINING APPROACH

Öz

In this study, the content of journals in the field of social sciences indexed in ULAKBIM is evaluated. Within this framework, the latest issues of 308 journals in 2019 out of 537 journals are included in the scope of the analysis. On the other side, the most common words and word groups were identified with the help of text mining method in the analysis process. The findings show that applied studies are mostly preferred in these journals. Additionally, multi-criteria decision making methods such as AHP, DEMATEL, VIKOR and TOPSIS are taken into consideration. Therefore, it is thought that the use of these approaches in new studies will increase the acceptance possibility. Another result is that the majority of the studies are carried out in the field of finance. Furthermore, it is understood that a significant proportion of the studies focused on Turkey. From this point of view, it can be said that panel data analysis by considering different country groups in the new studies will contribute the originality of the articles.

Anahtar Kelimeler

• ULAKBİM Index,Text mining,Social sciences

ULAKBİM İNDEKSİNDE TARANAN SOSYAL BİLİMLER ALANINDAKİ DERGİLERDE ÖNE ÇIKAN KONU VE YÖNTEMLERİN METİN MADENCİLİĞİ YAKLAŞIMI İLE BELİRLENMESİ

Öz

Bu çalışmada ULAKBİM indeksinde taranan sosyal bilimler alanındaki dergilerin içeriği analiz edilmiştir. Bu çerçevede, 537 dergi içerisinde dergipark sistemine kayıtlı olan 308 derginin 2019 yılına ait son sayıları inceleme kapsamına alınmıştır. Bununla birlikte, analiz sürecinde metin madenciliği yönteminden faydalanılarak en fazla geçen kelime ve kelime grupları belirlenmiştir. Sonuç olarak, uygulamalı çalışmaların ön plana çıktığı tespit edilmiştir. Belirtilen bu çalışmalarda AHP, DEMATEL, VIKOR ve TOPSIS gibi çok kriterli karar verme yöntemlerinin tercih edildiği anlaşılmaktadır. Dolayısıyla, yapılacak yeni çalışmalarda bahsi geçen bu yöntemlerin kullanılmasının ilgili çalışmanın kabul edilme oranını artıracağı düşünülmektedir. İlgili çalışmada elde edilen bir diğer sonuç ise, finans alanında yapılan çalışmaların çoğunlukta olmasıdır. Öte yandan, çalışmaların önemli bir bölümünde Türkiye üzerine analiz yapıldığı anlaşılmaktadır. Buradan yola çıkarak, yapılacak yeni çalışmalarda farklı ülke gruplarının dikkate alınarak panel veri analiz yapılması söz konusu makalelerin özgünlüğünün artmasına katkı sağlayacaktır.

Anahtar Kelimeler

• Ulakbim İndeksi,Metin Madenciliği,Sosyal Bilimler

Kaynakça

1. Cambria, E., & White, B. (2014). Jumping NLP curves: A review of natural language processing research. IEEE Computational intelligence magazine, 9(2), 48-57.
2. Dinçer, H., Yüksel, S., & Adalı, Z. (2019b). Economic Effects in Islamic Stock Development of the European Countries: Policy Recommendations for Ethical Behaviors. In Handbook of Research on Managerial Thinking in Global Business Economics (pp. 58-78). IGI Global.
3. Dinçer, H., Yüksel, S., & Martínez, L. (2019c). Interval type 2-based hybrid fuzzy evaluation of financial services in E7 economies with DEMATEL-ANP and MOORA methods. Applied Soft Computing, 79, 186-202.
4. Dinçer, H., Yüksel, S., & Martínez, L. (2019d). Analysis of balanced scorecard-based SERVQUAL criteria based on hesitant decision-making approaches. Computers & Industrial Engineering, 131, 1-12.
5. Dinçer, H., Yüksel, S., Eti, S., & Tula, A. (2019a). Effects of Demographic Characteristics on Business Success: An Evidence From Turkish Banking Sector. In Handbook of Research on Business Models in Modern Competitive Scenarios (pp. 304-324). IGI Global.
6. Ding, Z., Li, Z., & Fan, C. (2018). Building energy savings: Analysis of research trends based on text mining. Automation in Construction, 96, 398-410.
7. Dolgun, M. Ö., Özdemir, T. G., & Oğuz, D. (2009). Veri madenciliğinde yapısal olmayan verinin analizi: Metin ve web madenciliği. İstatistikçiler Dergisi: İstatistik ve Aktüerya, 2(2), 48-58.
8. Eskici, H. B., & Koçak, N. A. (2018). A text mining application on monthly price developments reports. Central Bank Review, 18(2), 51-60.

9. Eti, S. (2016). Üniversitelerdeki akademik üretkenliğe etki eden faktörlerin incelenmesi. İş'te Davranış Dergisi, 1(1), 67-73.
10. Greco, F., & Polli, A. (2019). Emotional Text Mining: Customer profiling in brand management. International Journal of Information Management.
11. Hu, F., & Trivedi, R. H. (2020). Mapping hotel brand positioning and competitive landscapes by text-mining user-generated content. International Journal of Hospitality Management, 84, 102317.
12. Kim, S. G., & Kang, J. (2018). Analyzing the discriminative attributes of products using text mining focused on cosmetic reviews. Information Processing & Management, 54(6), 938-957.
13. Loureiro, S. M. C., Guerreiro, J., Eloy, S., Langaro, D., & Panchapakesan, P. (2019). Understanding the use of Virtual Reality in Marketing: A text mining-based review. Journal of Business Research, 100, 514-530.
14. Mattingly, I. G. (1972). Reading, the linguistic process, and linguistic awareness.
15. Pınarbaşı, F., & Canbolat, Z. N. (2018). Evaluation Of Augmented Reality Mobile Applications In Turkey Market: A Data Mining Approach To Consumer Reviews. Changing Organizations, 187.
16. Seker, S. E. (2015). Metin Madenciliği (Text Mining). YBS Ansiklopedi, 2(3), 30-32.
17. Shen, C. W., Chen, M., & Wang, C. C. (2018). Analyzing the trend of O2O commerce by bilingual text mining on social media. Computers in Human Behavior.
18. Tan, A. H. (1999, April). Text mining: The state of the art and the challenges. In Proceedings of the PAKDD 1999 Workshop on Knowledge Disocovery from Advanced Databases (Vol. 8, pp. 65-70). sn.
19. Tobback, E., Naudts, H., Daelemans, W., de Fortuny, E. J., & Martens, D. (2018). Belgian economic policy uncertainty index: Improvement through text mining. International journal of forecasting, 34(2), 355-365.