Caspian Journal of Scientometrics

fa سیر تحول رباتیک جمعی در پرتو محاسبات الهام‌گرفته از طبیعت: یک مطالعه علم‌سنجی The Evolution of Swarm Robotics in the Context of Nature Inspired Computing: A Scientometric Study علم سنجی Scientometrics اصیل Orginal <div style="text-align: justify;">سابقه و هدف: رباتیک جمعی و محاسبات الهام‌گرفته از طبیعت به‌عنوان حوزه‌هایی میان‌رشته‌ای، با تلفیق هوش مصنوعی، زیست‌شناسی محاسباتی، الگوریتم‌های بهینه‌سازی و سامانه‌های رباتیک خودمختار، در سال‌های اخیر رشد چشمگیری داشته‌اند. با وجود افزایش سریع تولیدات علمی، تاکنون تصویری جامع از سیر تکامل فکری، ساختار دانشی و روندهای نوظهور این حوزه ارائه نشده است. ازاین‌رو، پژوهش حاضر با هدف انجام یک تحلیل علم‌سنجی به‌منظور شناسایی روندهای پژوهشی، ساختار دانش، شبکه‌های علمی اثرگذار و شکاف‌های پژوهشی نوظهور در حوزه رباتیک جمعی و محاسبات الهام‌گرفته از طبیعت انجام شد. مواد و روش‌ها: این پژوهش از نوع کاربردی با رویکرد توصیفی-تحلیلی و مبتنی بر روش علم‌سنجی است. جامعه پژوهش شامل تمامی مدارک نمایه‌شده در Scopus در حوزه رباتیک جمعی و محاسبات الهام‌گرفته از طبیعت طی سال‌های ۲۰۰۰ تا ۲۰۲۵ بود. داده‌های کتاب‌شناختی استخراج و با استفاده از نرم‌افزار VOSviewer تحلیل شدند. به‌منظور ترسیم ساختار علمی این حوزه، شبکه‌های هم‌رخدادی واژگان کلیدی، هم‌تألیفی، هم‌استنادی و هم‌پیوندی کتاب‌شناختی مورد بررسی قرار گرفتند. همچنین، علاوه بر تحلیل عملکرد علمی، شاخص‌های تأثیر استنادی از جمله میانگین تعداد استناد به ازای هر مقاله برای ارزیابی روند تحول کیفیت پژوهش‌ها در طول زمان تحلیل شدند. یافته‌ها: تولیدات علمی این حوزه در بازه زمانی ۲۰۰۰ تا ۲۰۲۵ روندی صعودی داشته و از سال ۲۰۲۰ به بعد شتاب بیشتری گرفته است. نتایج آزمون همبستگی پیرسون تأیید کرد که بین تعداد مقالات منتشرشده با میانگین استناد به ازای هر مقاله و همچنین شاخص اچ‌ایندکس سالانه رابطه مثبت، قوی و از نظر آماری معناداری برقرار است که نشان‌دهنده ارتقای هم‌زمان کمّیت و کیفیت تولیدات است. از میان مجلات علمی، نشریه «Swarm Intelligence» با ۲۹۸۳ استناد از ۵۵ مدرک در صدر مرجعیت علمی قرار دارد. در سطح جغرافیایی، چین با ۲۲۵ مدرک بالاترین سهم کمّی و بلژیک با ۴۱۶۴ استناد بالاترین میزان نفوذ علمی را به ثبت رساندند؛ در حالی که ایران با ۵۴۰ استناد از ۱۷ مدرک در میان ۲۰ کشور پیشرو جهان قرار گرفت. همچنین، تحلیل هم‌رخدادی نشان داد واژه «هوش جمعی» با ۷۱۶ تکرار و قدرت پیوند کل ۴۱۷۶ محوری‌ترین مفهوم شبکه است و از سال ۲۰۲۲، گرایش پژوهش‌ها از مدل‌های شبیه‌سازی سنتی به سمت «یادگیری تقویتی» و «عوامل خودمختار» چرخش داشته است. نتیجه‌گیری: رشد علمی رباتیک جمعی شتابان بوده و اثربخشی آن (میزان استناد) همبستگی مستقیمی با همکاری‌های بین‌المللی و ماهیت بین‌رشته‌ای دارد. با این حال، نبود همبستگی معنادار میان توسعه الگوریتم‌های نظری و پیاده‌سازی‌های عملی، به عنوان شکاف ساختاری اصلی این حوزه شناسایی شد. بر این اساس، جهت‌گیری آینده پژوهش‌ها باید از مدل‌های انتزاعی تک‌عاملی به سمت ادغام هوش مصنوعی تجسم‌یافته و یادگیری تقویتی در ربات‌های واقعی معطوف شود تا امکان گذار از نظریه به عمل فراهم آید.</div> <div style="text-align: justify;">Background and aim: Swarm robotics and nature-inspired computing, as interdisciplinary fields, have grown considerably in recent years by integrating artificial intelligence, computational biology, optimization algorithms, and autonomous robotic systems. Despite the rapid increase in scientific publications, a comprehensive picture of the intellectual evolution, knowledge structure, and emerging trends in this field has not yet been presented. Therefore, the present study was conducted with the aim of performing a scientometric analysis to identify research trends, knowledge structures, influential scientific networks, and emerging research gaps in swarm robotics and nature-inspired computing. Materials and methods: This research is of an applied type with a descriptive-analytical approach and is based on the scientometric method. The research population included all documents indexed in Scopus in the field of swarm robotics and nature-inspired computing during the years 2000 to 2025. Bibliographic data were extracted and analyzed using VOSviewer software. In order to map the scientific structure of this field, keyword co-occurrence, co-authorship, co-citation, and bibliographic coupling networks were examined. Furthermore, in addition to scientific performance analysis, citation impact indicators, including the average number of citations per article, were analyzed to evaluate the trend of research quality evolution over time. Findings: The quantitative findings of the study revealed that scientific publications in this field followed an upward trend from 2000 to 2025, accelerating significantly after 2020. Pearson correlation analysis confirmed a positive, strong, and statistically significant relationship between the annual number of publications and both the average citations per paper and the annual h-index, indicating a simultaneous growth in the quantity and quality of research output. Among the scientific journals, Swarm Intelligence secured the highest level of scholarly authority, receiving 2,983 citations from 55 publications. Geographically, China achieved the highest quantitative share with 225 publications, while Belgium recorded the highest academic impact with 4,164 citations. Iran ranked among the top 20 leading nations, accumulating 540 citations from 17 publications. Furthermore, co-occurrence analysis identified the term “swarm intelligence” as the core concept of the network, with 716 occurrences and a total link strength of 4,176. It also revealed a research paradigm shift since 2022, moving away from traditional simulation models toward “reinforcement learning” and “autonomous agents.” Conclusion: The scientific growth of swarm robotics has been accelerated, and its effectiveness (citation rate) has a direct correlation with international collaborations and the interdisciplinary nature. However, the lack of a significant correlation between the development of theoretical algorithms and practical implementations was identified as the main structural gap in this field. Accordingly, the future direction of research should be oriented from abstract single-agent models toward the integration of embodied artificial intelligence and reinforcement learning in real robots to enable the transition from theory to practice.</div> هوش مصنوعی, رباتیک, الگوریتم‌ها, زیست‌شناسی محاسباتی, علم‌سنجی Artificial intelligence, Robotics, Algorithms, Computational biology, Scientometrics 94 108 http://cjs.mubabol.ac.ir/browse.php?a_code=A-10-465-3&slc_lang=fa&sid=1 Amin Mohammadi Kouhbanani امین محمدی کوهبنانی aminmohamadi.info@gmail.com 10031947532846004930 0009-0007-4381-103x Yes Department of Computer Engineering, Ke.C., Islamic Azad University, Kerman, Iran گروه کامپیوتر، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران Mohammad Ahmadinia محمد احمدی‌نیا ahmadinia@iauk.ac.ir 10031947532846004931 10031947532846004931 No Department of Computer Engineering, Ke.C., Islamic Azad University, Kerman, Iran گروه کامپیوتر، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران