راهنمای نصب و راه اندازی Biblioshiny با نت ملی

R Studio · bibliometrix · biblioshiny — نصب روی سیستم شما
توسط محمد هادی حیدریان | با نظارت دکتر علی بنیادی نایینی
مرحله ۱: نصب R
زبان برنامه‌نویسی R پایه و اساس تمامی ابزارهای علم‌سنجی است.
۱
دانلود R از سایت رسمی CRAN
به سایت شبکه جامع آر (CRAN) مراجعه کرده و نسخه مناسب سیستم‌عامل خود را دانلود کنید.
Windows macOS Linux
دانلود R با نت ملی
۲
نصب در ویندوز (Windows)
فایل دانلود شده (.exe) را اجرا کرده و مراحل نصب را با تنظیمات پیش‌فرض طی کنید.
# بررسی نصب صحیح در Command Prompt:
R --version
۳
نصب در مک (macOS)
فایل .pkg را نصب کنید. اگر از پردازنده‌های جدید اپل (M1/M2/M3) استفاده می‌کنید، حتماً نسخه ARM را انتخاب کنید.
# نصب از طریق Homebrew (روش جایگزین):
brew install r
۴
نصب در لینوکس (Ubuntu/Debian)
ترمینال را باز کرده و دستورات زیر را اجرا کنید:
sudo apt update
sudo apt install r-base r-base-dev
پس از پایان نصب زبان R، می‌توانید به سراغ مرحله بعدی (نصب RStudio) بروید.
مرحله ۲: نصب RStudio
محیط توسعه گرافیکی (IDE) برای کدنویسی راحت‌تر و مدیریت بهتر پروژه‌ها.
۱
دانلود Posit RStudio Desktop
نرم‌افزار RStudio توسط شرکت Posit توسعه می‌یابد. نسخه رایگان دسکتاپ برای اکثر کارها کافی است.
دریافت RStudio Desktop با نت ملی
۲
انتخاب نسخه متناسب با سیستم
سیستم‌عامل خود را از لیست پایین صفحه سایت انتخاب کنید:
Windows 10/11 — .exe macOS 12+ — .dmg Ubuntu 22 — .deb Fedora/RedHat — .rpm
۳
مراحل نصب و راه‌اندازی
فایل نصب را اجرا کنید. RStudio به‌طور کاملاً خودکار، زبان R نصب‌شده روی سیستم شما را شناسایی خواهد کرد.
دقت کنید که حتماً باید ابتدا R را نصب کرده باشید تا RStudio بتواند آن را پیدا کند.
۴
تأیید نصب
برنامه RStudio را باز کنید. در پایین صفحه (پنجره Console) این دستور کوتاه را تایپ کنید تا اطلاعات نسخه نمایش داده شود:
version
مرحله ۳: نصب bibliometrix
بسته (Package) تخصصی R برای تحلیل‌های جامع علم‌سنجی.
۱
نصب مستقیم از مخزن CRAN (روش توصیه‌شده)
در محیط RStudio، تب Console را باز کرده و کد زیر را وارد کنید:
install.packages("bibliometrix")
صبور باشید. این نصب ممکن است زمان ببرد، زیرا بسته‌های پیش‌نیاز متعددی همراه با آن دانلود و نصب می‌شوند.
۲
نصب نسخه در حال توسعه (از GitHub)
اگر به جدیدترین آپدیت‌ها و ویژگی‌های آزمایشی نیاز دارید، از این روش استفاده کنید:
install.packages("devtools")
devtools::install_github("massimoaria/bibliometrix")
۳
فراخوانی و اجرای پکیج
هر بار که قصد استفاده از این ابزار را دارید، باید آن را در سیستم بارگذاری کنید:
library(bibliometrix)
۴
بررسی نسخه نصب شده
برای اطمینان از صحت نصب، دستور زیر را اجرا کنید:
packageVersion("bibliometrix")
نمایش شماره نسخه در کنسول، به معنای نصب کاملاً موفقیت‌آمیز است.
مرحله ۴: اجرای biblioshiny
راه‌اندازی رابط کاربری گرافیکی تحت وب برای استفاده بدون نیاز به کدنویسی.
۱
اجرای رابط کاربری تحت وب
تنها با اجرای دو خط زیر، مرورگر شما باز شده و محیط برنامه نمایش داده می‌شود:
library(bibliometrix)
biblioshiny()
رابط کاربری در قالب یک صفحه وب محلی (Localhost) در مرورگر پیش‌فرض شما باز خواهد شد.
۲
تغییر پورت (در صورت نیاز)
اگر برنامه به دلیل اشغال بودن پورت اجرا نشد، می‌توانید پورت را به صورت دستی تغییر دهید:
biblioshiny(port = 3838)
۳
بارگذاری مجموعه داده‌ها (Dataset)
در محیط باز شده مرورگر، از منوی Data فایل استخراج شده خود را بارگذاری کنید. فرمت‌های مجاز:
Web of Science (.txt / .bib) Scopus (.csv / .bib) PubMed (.nbib) Dimensions (.csv)
۴
خروج و متوقف کردن برنامه
برای بستن سرور محلی، در پنجره Console نرم‌افزار RStudio کلیک کرده و از کلیدهای زیر استفاده کنید:
Esc   یا   Ctrl + C
آموزش دستورات پایه
اگر ترجیح می‌دهید به جای رابط تحت وب، مستقیماً کد بنویسید، این توابع برای شماست.
۱. وارد کردن و آماده‌سازی داده‌ها
تابع convert2df()
تبدیل فایل‌های خروجی پایگاه‌های علمی (مثل اسکوپوس و وب آو ساینس) به فرمت دیتافریم قابل خواندن در R.
file <- "savedrecs.bib"
M <- convert2df(file, dbsource = "wos", format = "bibtex")
ورودی dbsource: "wos" / "scopus" / "pubmed" ورودی format: "bibtex" / "csv"
تابع readFiles()
ادغام و وارد کردن همزمان چندین فایل استنادی.
files <- list.files(pattern = "*.bib")
M <- convert2df(readFiles(files), dbsource="wos", format="bibtex")
۲. آمار توصیفی پایگاه
تابع biblioAnalysis()
انجام محاسبات آماری روی داده‌ها (شناسایی پرکارترین نویسندگان، کشورها، مجلات و...).
results <- biblioAnalysis(M, sep = ";")
summary(results, k = 10, pause = FALSE)
تابع plot()
رسم خودکار ۲۰ نمودار توصیفی اصلی از نتایج تحلیل.
plot(x = results, k = 10, pause = FALSE)
۳. تحلیل شبکه‌های علمی
تابع biblioNetwork()
ساخت ماتریس ارتباطی برای شبکه‌های همکاری، هم‌نویسندگی، یا هم‌استنادی.
NetMatrix <- biblioNetwork(M,
  analysis = "collaboration",
  network = "authors",
  sep = ";")

net <- networkPlot(NetMatrix, n = 30,
  Title = "Co-authorship Network",
  type = "fruchterman",
  size = TRUE)
نوع تحلیل (analysis): "collaboration" / "co-citation" / "coupling"
۴. ساختار مفهومی و نقشه‌های موضوعی
تابع conceptualStructure()
ترسیم نقشه هم‌رخدادی واژگان برای درک مفاهیم کلیدی مقالات.
CS <- conceptualStructure(M,
  field = "ID",
  method = "CA",
  minDegree = 4,
  clust = 5,
  stemming = FALSE,
  labelsize = 10)
تابع thematicMap()
رسم نقشه استراتژیک (Thematic Map) بر اساس درجه مرکزیت و تراکم موضوعات.
Map <- thematicMap(M,
  field = "ID",
  n = 250,
  minfreq = 5,
  stemming = FALSE,
  size = 0.5,
  repel = TRUE)
نکته آموزشی: برای مطالعه راهنمای کامل هر تابع و مشاهده پارامترهای ورودی آن، علامت سوال ? را قبل از نام تابع قرار دهید (مثال: ?biblioshiny) و در کنسول اجرا کنید.