Strategic Mapping of University Research Portfolios Using NLP and Machine Learning: An Integrated Analysis of Research Projects

تُعد الجامعات محركات للاكتشاف، حيث تولد باستمرار آلاف المشاريع البحثية التي تهدف إلى حل المشكلات، وابتكار تقنيات جديدة، وتوسيع المعرفة البشرية. ولإبقاء هذه المحركات تعمل، تعتمد المؤسسات على مكاتب البحوث لإدارة تدفق الأفكار والمال والوقت. ولعقود من الزمن، اعتمدت الطريقة التي تقيم بها هذه المكاتب مجموعاتها من المشاريع — المعروفة باسم المحافظ البحثية — بشكل كبير على عد المنتجات النهائية: كم عدد براءات الاختراع التي تم تسجيلها، أو الأوراق التي نُشرت، أو مقدار الأموال التي تم جلبها. ومع ذلك، فإن هذا النهج ينظر إلى الوراء؛ فهو يخبر الإداريين بما حدث بالفعل، لكنه لا يقدم سوى القليل من الرؤى حول المشهد الحالي للأعمال الجارية، أو الروابط الخفية بين المجالات المختلفة، أو المخاطر الكامنة داخل مشروع ما قبل فشله. ومع ازدياد عدد المشاريع وزيادة تعقيد البحوث، أصبحت الطريقة القديمة المتمثلة في القراءة اليدوية لمئات الملخصات لإيجاد الأنماط بطيئة للغاية وعرضة للتحيز البشري. وهناك حاجة متزايدة لطريقة لرؤية الغابة بأكملها، وليس فقط الأشجار الفردية، باستخدام أدوات الحوسبة الحديثة لفهم الشكل الحقيقي لجهود البحث في الجامعة.

في دراسة حديثة، واجه الباحثون في جامعة صابان الدين زعيم بإسطنبول هذا التحدي من خلال تطبيق تقنيات حاسوبية متقدمة على مجموعة ضخمة مكونة من 631 مشروعاً بحثياً علمياً أُجريت بين عامي 2015 و2026. وبدلاً من مطالبة الخبراء بقراءة كل وصف للمشروع، استخدم الفريق شكلاً من أشكال الذكاء الاصطناعي المصمم لفهم اللغة. فقد قاموا بتغذية عناوين هذه المشاريع وأوصافها في نظام يمكنه قراءة النص وتحويل معنى كل جملة إلى خريطة رياضية. سمحت هذه العملية للحاسوب بأن "يرى" مدى تشابه أو اختلاف مشروعين بناءً على محتواهما الفعلي، بدلاً من مجرد قسمهما المعين أو فئتهما العامة. ثم استخدم الباحثون هذه الخرائط لتجميع المشاريع في مجموعات طبيعية، مما كشف عن موضوعات خفية تتجاوز الحدود الأكاديمية التقليدية. كما بنوا نظاماً لرصد المشاريع التي تبدو غير عادية أو محفوفة بالمخاطر مقارنة بالبقية، مما خلق صورة ديناميكية لصحة البحث في الجامعة تتجاوز بكثير جداول البيانات البسيطة.

بدأ التحليل بمجموعة بيانات تضم 631 مشروعاً، والتي تم تنظيفها وتنقيتها للتركيز على 593 مدخلاً ذات تفاصيل كافية لتكون ذات معنى. قام الباحثون أولاً بتجريد النص من الضجيج غير الضروري، مثل الكلمات الشائعة التي لا تحمل معنى محدداً، ثم استخدموا نموذج لغة متطوراً لترجمة كل عنوان مشروع إلى مجموعة كثيفة من الأرقام التي تلتقط جوهره الدلالي. كانت هذه الخطوة حاسمة لأنها سمحت للحاسوب بفهم أن مشروعاً حول "الذكاء الاصطناعي في الطب" هو أقرب مفاهيمياً إلى مشروع حول "تعلم الآلة للتشخيص" من مشروع حول "العمارة التاريخية"، حتى لو كانت الكلمات المستخدمة مختلفة تماماً. وبمجرد تحويل النص إلى هذه التمثيلات الرقمية، طبق الباحثون تقنيات تقليل الأبعاد. فكر في الأمر كأخذ جسم معقد ومتعدد الطبقات وضغطه على ورقة ثنائية الأبعاد بطريقة تحافظ على أهم العلاقات بين أجزائه. جعل هذا من الممكن تصور المحفظة البحثية بأكملها على شاشة واحدة، حيث يمثل موقع كل نقطة الخصائص الفريدة لكل مشروع.

مع رسم خرائط المشاريع، استخدم الفريق خوارزميات التجميع لترك البيانات تتحدث عن نفسها. عملت هذه الخوارمايات مثل آلة فرز، حيث قامت بتجميع المشاريع القريبة من بعضها في الفضاء الرياضي إلى عائلات متميزة. اختبر الباحثون طرقاً مختلفة لتجميع البيانات ووجدوا أن تقسيم المحفظة إلى عشر مجموعات متميزة وفر الصورة الأكثر وضوحاً واستقراراً. لم تكن هذه المجموعات العشر عشوائية؛ بل مثلت اختلافات موضوعية حقيقية في البحوث التي يتم إجراؤها. فعلى سبيل المثال، كانت إحدى المجموعات تهيمن عليها مشاريع تركز على علوم المواد، والنانوتكنولوجي، والتوصيف المتقدم، بينما امتلأت أخرى بمشاريع تتمحور حول الذكاء الاصطناعي والهندسة القائمة على البيانات. وظهرت مجموعة ثالثة حول الأنظمة المستقلة وتقنيات الدفاع. ومن خلال النظر في الكلمات التي ظهرت بشكل متكرر في كل مجموعة، استطاع الباحثون تسمية ما تدور حوله كل مجموعة بوضوح، مما كشف أن بحث الجامعة لم يكن مجرد مزيج عشوائي من المواضيع، بل كان مشهداً مهيكلاً من المجالات المتخصصة.

نظرت الدراسة أيضاً في الجانب المالي والتشغيلي لهذه المجموعات لمعرفة ما إذا كانت الموضوعات تتوافق مع الموارد. واكتشفوا أن كلية الهندسة والعلوم الطبيعية كانت القوة الدافعة للمحفظة، حيث استضافت ما يقرب من ثلثي إجمالي ميزانية المشاريع. أشار هذا التركز إلى مستوى عالٍ من الإنتاجية في المجالات التقنية، ولكنه أشار أيضاً إلى احتمال وجود عدم توازن، حيث كانت الكليات الأخرى تمتلك موارد أقل بكثير. أنشأ الباحثون مقياساً محدداً لقياس مدى كثافة إنفاق الأموال بمرور الوقت، من خلال تقسيم إجمالي الميزانية على مدة المشروع. وكشف هذا أن بعض المجموعات لم تكن كبيرة في حجمها الإجمالي فحسب، بل كانت تستهلك الموارد بمعدل أسرع بكثير شهرياً من غيرها. وأظهرت الخرائط المرئية أن المجموعات ذات الميزانيات الأعلى والإنفاق الأكثر كثافة كانت غالباً هي نفسها التي برزت كأكثر المجموعات تميزاً في محتواها الموضوعي، مما يشير إلى وجود رابط قوي بين طبيعة البحث وحجم الاستثمار المطلوب.

ربما كان الاكتشاف الأكثر أهمية في الدراسة هو تحديد المخاطر. باستخدام أساليب إحصائية مصممة لرصد الشذوذ، حلل الباحثون المشاريع لمعرفة أي منها انحرف بشكل كبير عن المعيار. ووجدوا أن حوالي ثلث المحفظة بأكملها يقع في فئة عالية المخاطر. لم تكن هذه بالضرورة مشاريع سيئة، لكنها كانت غير عادية من حيث حجم الميزانية، أو المدة، أو استخدام الموارد، مما يجعلها أكثر عرضة للفشل أو مشاية الإدارة. لم تكن المخاطر موزعة بالتساوي عبر الجامعة؛ بل كانت مركزة بشدة في مجموعات محددة. إحدى المجموعات المحددة من المشاريع سجلت نسبة مخاطر بلغت 100 بالمائة، مما يعني أن كل مشروع في تلك المجموعة تم تصنيفه كغير عادي. كما أظهرت مجموعات أخرى، بما في ذلك تلك التي تركز على الذكاء الاصطناعي وتقنيات الدفاع، تركيزات كبيرة للمخاطر. أشار هذا النمط إلى أن أنواعاً معينة من البحوث، وخاصة تلك التي تتضمن ميزانيات كبيرة وجداول زمنية طويلة، تحمل شكوكاً متأصلة تتطلب مراقبة وثيقة. أظهرت الدراسة أن هذه المخاطر لم تكن عشوائية؛ بل كانت متجمعة في مناطق محددة من مشهد البحث، مما يسمح للمديرين بتوجيه اهتمامهم حيثما دعت الحاجة.

تحقق الباحثون من صحة نتائجهم من خلال اختبار استقرار نماذجهم. لقد قاموا بتشغيل عملية التجميع عدة مرات مع نقاط بداية مختلفة لضمان أن المجموعات التي وجدوها حقيقية وليست مجرد صدفة ناتجة عن الخيارات العشوائية للحاسوب. كانت النتائج متسقة بشكل ملحوظ، حيث انتهى الأمر بنفس المشاريع في نفس المجموعات في كل مرة. كما قارنوا نهجهم القائم على اللغة بالطرق القديمة التي كانت تكتفي بعدد مرات ظهور الكلمات. أنتجت الطريقة الجديدة، التي فهمت معنى النص، مجموعات أكثر وضوحاً وتميزاً، مما أثبت أن فهم سياق البحث كان أكثر أهمية بكثير من مجرد عد الكلمات المفتاحية. وقد أكد هذا أن المجموعات العشر التي حددوها كانت انعكاساً قوياً لهيكل البحث الفعلي في الجامعة.

تمتد آثار هذا العمل إلى ما هو أبعد من جامعة واحدة. توضح الدراسة أنه يمكن إدارة المحافظ البحثية بمستوى من الدقة والاستشراف كان مستحيلاً في السابق. ومن خلال استخدام هذه الأدوات القائمة على البيانات، يمكن لمكاتب نقل التكنولوجيا ومديري البحوث الانتقال من الموقف التفاعلي، حيث يتتبعون ببساطة ما حدث بالفعل، إلى موقف استباقي. يمكنهم رؤية الاتجاهات الناشئة، وتحديد الفرص المتداخلة بين التخصصات التي قد يتم تفويتها، ورصد المشكلات المحتملة قبل أن تتفاقم. تشير الدراسة إلى أن مستقبل إدارة البحوث يكمكمن في دمج هذه القدرات التحليلية في العمليات اليومية، مما يسماً للمؤسسات باتخاذ القرارات بناءً على رؤية شاملة لنظامها البيئي البحثي بأكم. وتشير النتائج إلى أنه بينما تمتلك المحفظة الحالية نقاط قوة كبيرة، لا سيية في الهندسة والعلوم الطبيعية، إلا أن هناك حاجة واضحة لدعم وموازنة البحوث في المجالات الأخرى لضمان مستقبل علمي أكثر تنوعاً واستدامة.

في النهاية، توفر هذه الدراسة عدسة جديدة لرؤية العالم المعقد للاستقصاء الأكاديمي. فهي تظهر أنه وراء آلاف عناوين المشاريع الفردية يوجد مشهد متماسك، ومنظم، ومحفوف بالمخاطر أحياناً يمكن رسم خرائط له، وفهمه، وإدارته. لا تدعي الدراسة أنها حلت كل مشكلة في إدارة البحوث، لكنها تقدم طريقة قوية ومثبتة لرؤية الصورة الكبيرة. ومن خلال تحويل النص إلى بيانات والبيانات إلى رؤى، قدم الباحثون مخططاً لكيفية تمكن الجامعات من التنقل بشكل أفضل في تحديات العلم الحديث، وضمان توجيه مواردها نحو المسارات الأكثر وعداً واستقراراً. ويقف هذا العمل كشهادة على قوة الجمع بين الفضول البشري والقوة الحسابية للكشف عن الهياكل الخفية للمعرفة.