شناسایی حوزه‌های نوین تحقیقاتی هوش مصنوعی در سیستم‌های رصد فناوری شرکت‌های با فناوری پیشرفته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت تکنولوژی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 گروه مدیریت صنعتی، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران.

3 استادیار، گروه مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

چکیده

در عصر تحول دیجیتال و پیچیدگی فزاینده فناوری‌ها، رصد فناوری به ابزاری حیاتی برای حفظ رقابت سازمان‌ها، به‌ویژه در صنایع دانش‌بنیان، تبدیل شده است. این پژوهش با هدف شناسایی حوزه‌های نوین تحقیقاتی هوش مصنوعی در سیستم‌های رصد فناوری شرکت‌های با فناوری پیشرفته، با روش‌های متن‌کاوی انجام شد و 70 مقاله علمی معتبر بین سال‌های 2014 تا 2024 مورد تحلیل قرار گرفت. فرآیند تحلیل شامل پاکسازی داده‌ها، شناسایی مفاهیم کلیدی، مدل‌سازی موضوعی، و خوشه‌بندی مفاهیم با یادگیری ماشین بود. یافته‌ها نشان می‌دهد که هوش مصنوعی نقشی کلیدی در ارتقای کارایی و دقت سیستم‌های رصد فناوری دارد. تحلیل فراوانی و خوشه‌بندی مفاهیم نشان داد که الگوریتم‌های یادگیری عمیق با فراوانی 450، تحلیل احساسات پیشرفته با فراوانی 380 و سیستم‌های توصیه‌گر هوشمند با فراوانی 320 از مهمترین مفاهیم شناسایی شده هستند. تحلیل احساسات متون نشان داد که 65% دیدگاه‌ها نسبت به کاربرد هوش مصنوعی در رصد فناوری مثبت است. همچنین پنج حوزه استراتژیک شامل فناوری‌های نوین، روش‌های رصد جدید، کاربردهای گسترده هوش مصنوعی، چالش‌های اخلاقی و فنی، و حوزه‌های صنعتی کلیدی شناسایی شدند. این پژوهش بر اهمیت ترکیب قابلیت‌های هوش مصنوعی با تخصص انسانی برای رصد مؤثرتر که شامل بهبود دقت پیش‌بینی، افزایش سرعت تحلیل و پوشش جامع‌تر منابع است، تاکید دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Identifying New Research Areas of Artificial Intelligence in Technology Scouting Systems of High-Tech Companies

نویسندگان [English]

  • Shiva sadat Ghasemi 1
  • Abbas Khamseh 2
  • Sayedjavad Iranban 3
1 Ph.D. Student, Department of Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 Department of Industrial Management, Karaj Branch, Islamic Azad University, Karaj, Iran.
3 Assistant Professor, Department of Management, Shiraz Branch, Islamic Azad University, Shiraz, Iran
چکیده [English]

In the digital transformation era and increasing technological complexity, technology scouting has become vital for maintaining organizational competitiveness. This study, aiming to identify new research areas of artificial intelligence in technology scouting systems of high-tech companies, employed text mining methods to analyze 70 reputable scientific articles published between 2014 and 2024. The analysis process included data cleansing, key concept identification, topic modeling, and machine learning-based concept clustering. The findings indicate that artificial intelligence plays a crucial role in enhancing the efficiency and accuracy of technology scouting systems. Frequency analysis and concept clustering showed that deep learning algorithms with a frequency of 450, advanced sentiment analysis with a frequency of 380, and intelligent recommender systems with a frequency of 320 are among the most important identified concepts. Sentiment analysis of the texts showed that 65% of perspectives on the application of AI in technology scouting are positive. Additionally, five strategic areas were identified: emerging technologies, new scouting methods, extensive applications of artificial intelligence, ethical and technical challenges, and key industrial domains. This research emphasizes the importance of combining artificial intelligence capabilities with human expertise for more effective scouting, encompassing improved predictive accuracy, increased analysis speed, and broader coverage of resources.

کلیدواژه‌ها [English]

  • Digital innovation
  • Data mining
  • Intelligent ecosystem
  • Strategic decision-making
  • Technological foresight

مراجع

Adamik, A. (2023). Technology intelligence as one of the key factors for successful strategic management in the smart world. European Management Studies, 21(3), 71-101. http://dx.doi.org/10.7172/2956-7602.101.4
Alkhazaleh, R., Mykoniatis, K., & Alahmer, A. (2022). The success of technology transfer in the Industry 4.0 era: A systematic literature review. Journal of Open Innovation: Technology, Market, and Complexity, 8(4), 202. https://doi.org/10.3390/joitmc8040202
Dwivedi, Y. K., Sharma, A., Rana, N. P., Giannakis, M., Goel, P., & Dutot, V. (2023). Evolution of artificial intelligence research in Technological Forecasting and Social Change: Research topics, trends, and future directions. Technological Forecasting and Social Change, 192, 122579. https://doi.org/10.1016/j.techfore.2023.122579
Ficarella, E., Natalicchio, A., Spina, R., & Galantucci, L. M. (2022). Technological scouting of bi-material face masks: Simulation of adherence using 3D facial norms. Procedia CIRP, 110, 259-264. https://doi.org/10.1016/j.procir.2022.06.047
Gertsen, E., Gresham, E., Hay, J., Hughes, P., Joseph, N., Kommel, R., et al. (2023). Technology scouting phase 1 report. https://ntrs.nasa.gov/citations/20230013991
Hu, X., Gu, H., Tang, Y., & Wang, B. (2023). Mapping the field: A bibliometric literature review on technology mining. Heliyon, 10, e23458. https://doi.org/10.1016/j.heliyon.2023.e23458
Lopez, M., & Martinez, S. (2024). Leveraging inbound open innovation: An empirical investigation of its effects on firm performance in the high-tech industry. Journal of Economic and Business Studies, 6(1), 1-5. http://dx.doi.org/10.1002/cjas.1454
Mariani, M. M., Machado, I., Magrelli, V., & Dwivedi, Y. K. (2023). Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions. Technovation, 122, 102623. https://doi.org/10.1016/j.technovation.2022.102623
Mediavilla, M. A., Dietrich, F., & Palm, D. (2022). Review and analysis of artificial intelligence methods for demand forecasting in supply chain management. Procedia CIRP, 107, 1126-1131. https://doi.org/10.1016/j.procir.2022.05.119
Mohammadi, M., Mahanifar, M., Miri, R., & Sadeghi Moghadam, M. R. (2024). Forecasting convergence of artificial intelligence and drilling technologies using link prediction method. Journal of Technology Development Management, 12(2), 42-71. https://doi.org/10.22104/jtdm.2024.7080.3349 (In Persian).
Movahedifar, M. S., Taghvaee Yazdi, M., & Salehi, M. (2024). Providing a paradigm model along with the design and validation of measurement tools to identify technological businesses in the field of information technology. Journal of Technology Development Management, 12(3). https://doi.org/10.22104/jtdm.2025.6584.3241 (In Persian).
Pyataeva, O., Ustinova, L., Evdokimova, M., Khvorostyanaya, A., & Gavrilyuk, A. (2021). Digitalization of technology transfer for high-technology products. In International Scientific and Practical Conference Digital and Information Technologies in Economics and Management (pp. 15-26). Springer. http://dx.doi.org/10.1007/978-3-030-97730-6_2
Schuh, G., Hicking, J., Stroh, M. F., & Benning, J. (2020). Using AI to facilitate technology management: Designing an automated technology radar. Procedia CIRP, 93, 419-424. http://dx.doi.org/10.1016/j.procir.2020.04.089
Sen, F., Moreno Brenes, A., & Brusoni, S. (2023). Technology intelligence and digitalization in the manufacturing industry. Research-Technology Management, 66(5), 22-33. https://doi.org/10.1080/08956308.2023.2234758
Stahl, B. C., Brooks, L., Hatzakis, T., Santiago, N., & Wright, D. (2023). Exploring ethics and human rights in AI: A Delphi study. Technological Forecasting & Social Change, 191, 122502. https://doi.org/10.1016/j.techfore.2023.122502
Wang, C. H., & Quan, X. I. (2019). The role of external technology scouting in inbound open innovation generation: Evidence from high-technology industries. IEEE Transactions on Engineering Management, 68(6), 1558-1569. https://doi.org/10.1109/TEM.2019.2956069
Wang, X., Daim, T., Huang, L., Li, Z., Shaikh, R., & Kassi, D. F. (2022). Monitoring the development trend and competition status of high technologies using patent analysis and bibliographic coupling: The case of electronic design automation technology. Technology in Society, 71, 102076. https://doi.org/10.1016/j.techsoc.2022.102076
Yang, C. H. (2022). How artificial intelligence technology affects productivity and employment: Firm-level evidence from Taiwan. Research Policy, 51(6), 104536. https://doi.org/10.1016/j.respol.2022.104536
Zamany, A., & Khamseh, A. (2022). Identification of influential dimensions and components of technology transfer with a focus on digital transformation. Journal of Technology Development Management, 10(3), 57-90. https://doi.org/10.22104/jtdm.2023.5698.3032 (In Persian).
Zhao, E., Sun, S., & Wang, S. (2022). New developments in wind energy forecasting with artificial intelligence and big data: A scientometric insight. Data Science and Management, 5(2), 84-95. https://doi.org/10.1016/j.dsm.2022.05.002

فایل ها

سابقه مقاله

  • تاریخ دریافت: 22 مهر 1403
  • تاریخ بازنگری: 20 بهمن 1403
  • تاریخ پذیرش: 23 بهمن 1403

هم رسانی

ارجاع به این مقاله

آمار