fa تحلیل علم‌سنجی کاربردهای فناوری‌های پردازش زبان طبیعی (NLP) در سلامت عمومی علم سنجی Scientometrics اصیل Orginal <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family: &quot;Times New Roman&quot;; font-size: 14px; direction: rtl;"><span style="unicode-bidi:embed"><b><span lang="AR-SA"><span style="color:#000099">سابقه و هدف:</span></span></b> <span lang="AR-SA">با توجه به چالش‌های پیش روی کشورهای در حال توسعه در دستیابی به اهداف توسعه پایدار در حوزه سلامت، هدف این پژوهش بررسی و تحلیل روندهای رشد مقالات منتشرشده در زمینه استفاده از فناوری‌های </span><span dir="LTR">NLP</span><span lang="AR-SA"> در بهبود سلامت عمومی و شناسایی موانع و فرصت‌های کلیدی در این حوزه بوده است.</span></span></span><br> <span style="font-family: &quot;Times New Roman&quot;; font-size: 14px; direction: rtl;"><span style="unicode-bidi:embed"><b><span lang="AR-SA"><span style="color:#000099">مواد و روش‌ها:</span></span></b> <span lang="AR-SA">پژوهش حاضر به‌صورت کاربردی و توصیفی انجام شده است و جامعه آماری آن شامل مقالات مرتبط با پردازش زبان طبیعی و سلامت عمومی است که در پایگاه اسکوپوس در بازه زمانی ۲۰۱۵ تا ۲۰۲۵ نمایه شده‌اند. برای جستجوی مقالات مرتبط، استراتژی جستجوی سیستماتیک و هدفمند با استفاده از کلمات کلیدی مرتبط به کار گرفته شده است. در نهایت، ۱۵۰۴ مقاله به‌عنوان جامعه آماری نهایی انتخاب و با استفاده از نرم‌افزار </span><span dir="LTR">VOSviewer</span><span lang="AR-SA"> برای ترسیم شبکه موضوعی و تحلیل داده‌ها مورد بررسی قرار گرفته‌اند.</span></span></span><br> <span style="direction: rtl;"><span style="unicode-bidi: embed;"><b style="font-family: &quot;Times New Roman&quot;; font-size: 14px;"><span lang="AR-SA"><span style="color:#000099">یافته‌ها:</span></span></b><span lang="AR-SA" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;"> نتایج پژوهش نشان‌دهنده افزایش قابل توجه تعداد مقالات در این حوزه از ۵۶ مقاله در سال ۲۰۱۵ به ۲۶۱ مقاله در سال ۲۰۲۵ است. تحلیل خوشه‌های شبکه هم&shy;‌رخدادی واژگان مرتبط با پردازش زبان طبیعی (</span><span dir="LTR" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;">NLP</span><span lang="AR-SA" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;">) در سلامت عمومی شش خوشه اصلی را شناسایی کرده است. خوشه‌های مذکور شامل هوش مصنوعی، یادگیری ماشین، پردازش زبان طبیعی، مانیتورینگ سلامت و اینترنت اشیا (</span><span dir="LTR" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;">IoT</span><span lang="AR-SA" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;">) هستند که نشان‌دهنده تعاملات پیچیده بین فناوری‌های نوین و چالش‌های بهداشت عمومی می‌باشند و بر اهمیت ادغام این فناوری‌ها در بهبود نتایج سلامت تأکید دارند</span><span dir="LTR" style="font-family: &quot;Times New Roman&quot;; font-size: 14px;">.</span><font face="Times New Roman"><span style="font-size: 14px;"> همچنین، نتایج آزمون همبستگی پیرسون نشان‌دهنده وجود رابطه مثبت و معنادار بین تعداد مقالات منتشرشده و تعداد استنادات در سطح یک درصد (</span></font><font color="#000000" style=""><font face="Times New Roman"><span style="font-size: 14px;">۰/۰۰۱</span></font><font face="Times New Roman, serif"><span style="font-size: 13.3333px;">>P</span></font></font></span></span><span style="font-size:14px;"><span style="font-family:Times New Roman;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="AR-SA">) است.</span></span></span><br> <b><span dir="RTL" lang="AR-SA"><span style="color:#000099">نتیجه‌گیری:</span></span></b> <span dir="RTL" lang="AR-SA">در شرایط بحران‌های جهانی، استفاده از این فناوری‌ها برای جمع‌آوری و تحلیل داده‌های بهداشتی ضروری است. پیشنهاد می‌شود که پژوهشگران به بررسی کاربردهای خاص </span>NLP<span dir="RTL" lang="AR-SA"> در حوزه‌های مختلف سلامت بپردازند و همکاری‌های بین‌رشته‌ای را برای بهبود کیفیت و تأثیرگذاری پژوهش‌ها تقویت کنند.</span></span></span></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-size:14px;"><span style="font-family:Times New Roman;"><b><span style="color:#000099">Background and aim:</span></b> <span style="color:black">Given the challenges facing developing countries in achieving the Sustainable Development Goals in the field of health, the aim of this study was to examine and analyze the growth trends of published articles on the use of NLP technologies in improving public health and to identify key barriers and opportunities in this area.</span><br> <b><span style="color:#000099">Materials and methods:</span></b> <span style="color:black">The present study was conducted in an applied and descriptive manner, and its statistical population includes articles related to NLP and public health which have been indexed in the Scopus database between 2015 and 2025. To search for relevant articles, a systematic and targeted search strategy using relevant keywords was used. Finally, 1,504 articles were selected as the final statistical population and were examined using VOSviewer software to draw thematic networks and analyze data.</span><br> <b><span style="color:#000099">Findings:</span></b> <span style="color:black">The results indicate a significant increase in the number of publications in this field, rising from 56 articles in 2015 to 261 articles in 2025. The analysis of co-occurrence network of keywords related to NLP in public health identified six main clusters. These clusters include artificial intelligence, machine learning, natural language processing, health monitoring, and the Internet of Things (IoT), highlighting the complex interactions between emerging technologies and public health challenges, and emphasizing the importance of integrating these technologies to improve health outcomes. Additionally, Pearson correlation test results indicate a positive and significant relationship between the number of published articles and the number of citations at the level of one percent (P<0.001).</span><br> <b><span style="color:#000099">Conclusion:</span></b> <span style="color:black">In times of global crises, the use of these technologies for collecting and analyzing health data is essential. It is recommended that researchers explore specific applications of NLP in various health domains and strengthen interdisciplinary collaborations to enhance the quality and impact of research.</span></span></span></span></div> پردازش زبان طبیعی (NLP), هوش مصنوعی, سلامت عمومی, تحلیل داده‌های متنی Natural Language Processing (NLP), Artificial Intelligence, Public health, Text analysis 96 107 http://cjs.mubabol.ac.ir/browse.php?a_code=A-10-465-2&slc_lang=fa&sid=1 Amin Mohammadi Kouhbanani امین محمدی کوهبنانی aminmohamadi.info@gmail.com 10031947532846004721 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 Reza Gholamrezaei رضا غلام رضایی gholamrezaei@iau.ac.ir 10031947532846004722 10031947532846004722 No Department of Computer Engineering, Ke.C., Islamic Azad University, Kerman, Iran گروه کامپیوتر، واحد کرمان، دانشگاه آزاد اسلامی، کرمان، ایران