دانلود ترجمه مقاله تغییرات سیستم و خط سیر نوآوری برای یک فناوری نوظهور

نتیجه گیری:
در این مقاله، ما رویکردهای متن کاوی و TRM را به منظور بررسی الگوهای تکاملی و مسیرهای نوآورانه بالقوه برای یک فناوری نوظهور ترکیب کردیم. با انجام این کار، سعی کردیم یک روش را از طریق آنالیز موردی SLN به منظور نشان دادن پتانسیل آن ها در کمک به ارائه اطلاعات مفید برای مدیریت تحقیق و توسعه شرح دهیم. SLN یک مورد غنی برای آنالیز ارائه می کند. این رویکرد تحویل دارو بر روی انواعی از جبهه های مختلف تحقیق و توسعه به منظور بررسی رشد تعداد چالش ها در حال ظهور است. به عنوان مثال، در صنعت داروسازی، SLN توانایی حلالیت، کاهش هزینه و هدف قرار دادن بیماری ها را دارد، با این حال، فکر می کنیم که تمدید چرخه عمر اختراع یک نکته مهم است. شناسایی موضوعات اصلی تحقیق و توسعه و مسیرهای نوآوری بازار می تواند ما را از مدیریت فرصت های متنوع تحویل دارو و همچنین غلبه بر موانع تکاملی آگاه سازد. یک بررسی منابع چند بعدی را به منظور کمک به شناسایی چهار سیستم فرعی SLN انجام دادیم. مراحل خوشه بندی اصطلاح محتوای موضوعی را در منابع متن به منظور شناسایی 18 موضوع برجسته تحقیق و توسعه از نشریات، اختراعات و مقالات تجاری با هم تلفیق می کند. تکنیک های SAO با TRM جهت کمک به پیگیری تغییرات در موضوعات مهم در طول زمان ترکیب شد. پیشنهاد کردیم که شناسایی روابط میان این موضوعات جهت ارزیابی چشم اندازها برای مسیرهای نوآوری و کاربردهای آینده ضروری است. علاقه دیگر مربوط به پیش بینی مسیرهای نوآوری برای علم و فناوری های جدید و نوظهور است. به منظور تحقق این هدف، ما منابع متعدد داده را جهت عیین نحوه توسعه تحقیقات پایه و سپس تحولات در جهت محصولات تجاری با هم ترکیب کردیم. استراتژی تحلیلی فعلی ما به بررسی مراحل تکاملی از تحقیقات پایه تا تجاری سازی موفق می پردازد. شکل 2 این لایه ها را در طول زمان نشان می دهد. از اشکال 2 و 3 پی می بردی که SLN دارای ارزش تجاری میان مدتی است، چون تحقیقات به سمت گزینه ها و مسائل کاربرد تغییر کرده است. چنین آنالیزهایی بیانگر پتانسیل بررسی اطلاعات تحقیق و توسعه به منظور کمک به سنجش پیشرفت عناصر در جهت تجاری سازی مانند دو مسیر نوآوری مهم ترسیم شده برای SLNs در شکل 3 است. جهت کمک به شناسایی رشته های تکنولوژیکی و پیوندهای شرکتی (مانند این که مدام شرکت ها علاقمند به تحقیق هستند و برخی مواقع این این کار کمک می کنند) نیز بر آنالیز داده های تجاری و اختراعات تاکید می کنیم.

Conclusions:
In this paper, we combine text mining approaches and TRM to explore developmental patterns and potential innovation pathways for an emerging technology. By doing so, we attempt to chronicle a methodology through a case analysis of SLN to illustrate its potential to contribute useful intelligence for R&D management. SLN offers a rich case for analysis. This drug delivery approach is emerging on a variety of R&D fronts to address a growing number of challenges. For example, in the pharmaceuticals industry, SLNs are pertinent to solubility, cost-reduction, and targeting diseases; however, we also discern that patent lifecycle extension is a consideration. Identifying major R&D topics and market innovation pathways can inform management of diverse drug delivery opportunities, as well as developmental hurdles to overcome. We perused multiple literature reviews to help identify four SLN subsystems. The term clumping steps cleaned and consolidated topical content in the text sources to identify 18 prominent R&D topics from publications, patents, and the commercial press. SAO techniques were combined with TRM to help track changes in the core topics over time. We suggest that identifying the correlations among these topics is vital to the assessment of prospects for future innovation pathways and applications. Another interest concerns forecasting the innovation pathways for new and emerging science and technologies. To accomplish this goal, we combined multiple data sources to determine how basic research transitions to development, and then advances toward commercial products. Our current analytical strategy addresses the developmental tiers from basic research through to successful commercialization. Fig. 2 illustrates these layers over the course of time. From Figs. 2 and 3, we believe SLN has near-term commercial value, since research is turning toward application options and issues. Such analyses illustrate the potential to mine R&D information to help gauge the progress of elements toward commercialization – such as the two important innovation pathways depicted for SLNs in Fig. 3. To help identify the technological threads and corporate links (e.g., which companies share research interests and sometimes contribute to research), we also placed emphasis on analyzing patents and commercial data.