بررسی روش شناسی و جایگاه مفهومی نشانه های ضعیف در ادبیات آینده پژوهی و فناوری های نوپدید؛ یک مطالعه‌ی مقایسه‌ای کیفی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای مدیریت آینده پژوهی، دانشگاه عالی دفاع ملی ، تهران، ایران.

2 دانشیار، دانشگاه عالی دفاع ملی، تهران، ایران.

3 استاد، دانشگاه عالی دفاع ملی، تهران، ایران.

چکیده

نشانه‌های ضعیف، ابتدایی‌ترین اطلاعاتی هستند که شناسایی و تحلیل آن‌ها لازمه‌ی پیش‌نگری بهنگام تغییرات آینده و پیش‌گیری از غافل‌گیری راهبردی است. نشانه‌های ضعیف اولین بار توسط آنسوف و در ادبیات نظری مدیریت راهبردی مطرح شد اما دیری نپایید که وارد حوزه‌ی آینده‌پژوهی شد و مورد توجه آینده‌پژوهان قرار گرفت. لذا این سوال پیش می‌آید که مفهوم نشانه‌های ضعیف در حوزه‌‌های دیگر و بطور خاص در حوزه‌ی فناوری از چه جایگاه مفهومی و روش‌شناسی برخوردار است؟ باتوجه به نقش بی‌بدیل فناوری‌ در تغییرات پرشتاب و همه‌جانبه؛ در این پژوهش ابعاد مفهومی و روش‌شناسی نشانه‌های ضعیف در حوزه‌ی فناوری و آینده‌پژوهی براساس رویکرد مطالعه‌ی مقایسه‌ای بررسی شد. این پژوهش از حیث روش‌شناسی، داده‌ها و نتایج، یک پژوهش کیفی و از حیث هدف یک پژوهش توسعه‌ای است. داده‌های پژوهش مشتمل بر مقالات علمی معتبر بر اساس چهارچوب روشی مرور سیستماتیک از پایگاه علمی ساینس‌دایرکت استخراج گردید. مقالات با رویکرد روشی تحلیل مضمون بررسی و مقوله‌های فنی کلیدی استخراج و بر اساس مضامین بدست آمده ابزار «جعبه‌ی نشانه‌های ضعیف فناوری» در حوزه‌ی آینده‌نگاری فناوری تولید و معرفی شده است.

بررسی تعاریف و مفاهیم مرتبط با نشانه‌های ضعیف در هر دو حوزه‌ی آینده‌پژوهی و فناوری نشان می‌دهد که مفهوم نشانه‌های ضعیف از حیث مفهومی و روش‌شناسی در ادبیات علمی حوزه‌ی فناوری از تعریف و روش‌شناسی مشخصی برخوردار نیست. نتایج کیفی برآمده از بررسی مقالات حوزه‌ی فناوری‌های نوپدید و نشانه‌های ضعیف نشان می‌دهد توسعه‌ی روش‌شناسی نشانه‌های ضعیف در حوزه‌ی فناوری مستلزم انطباق الگوهای چرخه‌ی حیات فناوری بر اساس ساختار زمانی مناسب با ساختار و کارکرد مفهوم نشانه‌های ضعیف در حوزه‌ی آینده‌پژهی است. با توجه به ارتباط وثیق بین پیش‌گیری از غافل‌گیری راهبردی و شناسایی و تفسیر نشانه‌های ضعیف تغییر بویژه در حوزه‌ی حیاتی فناوری، مفهوم نشانه‌های ضعیف باید بر اساس مفاهیم حوزه‌ی فناوری، بازتعریف شده و روش‌شناسی یکپارچه و بهینه‌ای برای آن ارائه شود.

کلیدواژه‌ها

عنوان مقاله [English]

Exploration of Weak Signals methodology and conceptual position in Futures Studies and Emerging Technologies literature؛ A Comparative Qualitative Study

نویسندگان [English]

  • Abouzar Seifi Kalestan 1
  • Mohammadreaza Gharayi Ashtiyani 2
  • Naser Poursadegh 3
1 PhD student at Supreme National Defense University, Tehran, Iran
2 Supreme National Defense University, Tehran, Iran
3 Supreme National Defense University, Tehran, Iran
چکیده [English]

Weak signals are the most basic information whose identification and analysis is vital for early forecasting of future changes and strategic surprises prevention. Weak signals were first proposed by Ansoff in the theoretical literature of strategic management, but entered into the Futures Studies field and was also noticed by futurists. This question arises, what is the conceptual and methodological position of WS in other fields, especially in the field of Technology? Considering the irreplaceable role of technology in fast and comprehensive changes; In this research, the conceptual dimensions and methodology of WS in the field of technology and FS are studied based on comparative study approach. In terms of methodology, data and results, this research is a qualitative research and in terms of the purpose is a developmental research. The research data was extracted from ScienceDirect database based on Systematic review Protocols including valid scientific articles. The articles were reviewed and studied by use of Thematic analysis approach, and key themes were extracted and compared, based on the extracted themes the "Technology Weak Signals Box" tool is produced and introduced in this paper.

Examining the definitions and concepts of weak signals in fields of FS and technology shows that the concept of weak signals in the scientific literature of Technology does not have a specific definition and certain methodological platform. The qualitative results obtained from the reviews of the articles in the field of emerging technologies and WS show that methodological development of WS in the literature of technology requires the adaptation of technology life cycle models and the appropriate time structure of WS concept. Considering the close relationship between the prevention of strategic surprise and the identification and interpretation of WS, especially in the Technology area, the concept of WS should be redefined and restructured in the Technology literature.

کلیدواژه‌ها [English]

  • Weak Signal(s)
  • Emerging Technologies
  • Strategic Surprise
  • Technology Intelligence

Smiley face

مراجع

  1. صادقی فسایی، سهیلا و عرفان‌منش، ایمان. (۱۳۹۴). مبانی روش ‌شناختی پژوهش اسنادی در علوم اجتماعی: (مورد مطالعه: تأثیرات مدرن‌شدن بر خانواده ایرانی). فصلنامه علمی پژوهشی راهبرد فرهنگ، 8(29)، 61-91.
  2. Ansoff, H., & Igor. (1975). Managing Strategic Surprise by Response to Weak Signals. California Management Review, 18(2), 21-33.
  3. Ansoff, H., & Igor. (1980). Strategic issue management. Strategic Management Journal, 1(2), 131-148.
  4. Decker, Reinhold., Wagner, Ralf., & Scholz, Sören W. (2005). An internet‐based approach to environmental scanning in marketing planning. Marketing Intelligence &amp, Planning.
  5. Gao, Lidan., Porter, Alan L., Wang, Jing., Fang, Shu., Zhang, Xian., Ma, Tingting., Wang, Wenping,. & Huang, Lu. (2013). Technology life cycle analysis method based on patent documents. Technological Forecasting and Social Change, 80(3), 398-407.
  6. Garcia-Nunes, Pedro Ivo., & da Silva, Ana Estela Antunes. (2019). Using a conceptual system for weak signals classification to detect threats and opportunities from web. Futures, 107, 1-16.
  7. Garcia-Nunes, Pedro Ivo., Rodrigues, Pedro Artico., Oliveira, Kaulitz Guimarães., & da Silva, Ana Estela Antunes. (2020). A computational tool for weak signals classification – Detecting threats and opportunities on politics in the cases of the United States and Brazilian presidential elections. Futures, 123, 102607.
  8. Gheorghiu, Radu., Andreescu, Liviu., & Curaj, Adrian. (2016). A foresight toolkit for smart specialization and entrepreneurial discovery. Futures, 80, 33-44.
  9. Gokhberg, Leonid., Kuzminov, Ilya., Khabirova, Elena., & Thurner, Thomas. (2020a). Advanced text-mining for trend analysis of Russia’s Extractive Industries. Futures, 115, 102476.
  10. Gokhberg, Leonid., Kuzminov, Ilya., Khabirova, Elena., & Thurner, Thomas. (2020b). Advanced text-mining for trend analysis of Russia’s Extractive Industries. Futures, 115, 102476.
  11. Griol-Barres, Israel., Milla, Sergio., Cebrián, Antonio., Fan, Huaan., & Millet, Jose. (2020a). Detecting Weak Signals of the Future: A System Implementation Based on Text Mining and Natural Language Processing. Sustainability, 12(19), 7848.
  12. Griol-Barres, Israel., Milla, Sergio., Cebrián, Antonio., Fan, Huaan., & Millet, Jose. (2020b). Detecting Weak Signals of the Future: A System Implementation Based on Text Mining and Natural Language Processing. Sustainability, 12(19), 7848.
  13. Halaweh, Mohanad. (2013). Emerging Technology: What is it. Journal of technology management & innovation, 8(3), 108-115.
  14. Hiltunen, Elina. (2008). The future sign and its three dimensions. Futures, 40(3), 247-260.
  15. Ilmola, Leena., & Kuusi, Osmo. (2006). Filters of weak signals hinder foresight: Monitoring weak signals efficiently in corporate decision-making. Futures, 38(8), 908-924.
  16. Jang, Wooseok., Park, Yongtae., & Seol, Hyeonju. (2021). Identifying emerging technologies using expert opinions on the future: A topic modeling and fuzzy clustering approach. Scientometrics, 126, 6505–6532.
  17. Kayser, Victoria., & Bierwisch, Antje. (2016). Using Twitter for foresight: An opportunity Futures, 84, 50-63.
  18. Kim, Jieun., & Lee, Changyong. (2017). Novelty-focused weak signal detection in futuristic data: Assessing the rarity and paradigm unrelatedness of signals. Technological Forecasting and Social Change, 120, 59-76.
  19. Kim, Seonho., Kim, You-Eil., Bae, Kuk-Jin., Choi, Sung-Bae., Park, Jong-Kyu., Koo, Young-Duk., Park, Young-Wook., Choi, Hyun-Kyoo., Kang, Hyun-Moo., & Hong, Sung-Wha. (2013). NEST: A quantitative model for detecting emerging trends using a global monitoring expert network and Bayesian network. Futures, 52, 59-73.
  20. Lee, Changyong., Kwon, Ohjin., Kim, Myeongjung., & Kwon, Daeil. (2018). Early identification of emerging technologies: A machine learning approach using multiple patent indicators. Technological Forecasting and Social Change, 127, 291-303.
  21. Li, Xin., Xie, Qianqian., Jiang, Jiaojiao., Zhou, Yuan., & Huang, Lucheng. (2019). Identifying and monitoring the development trends of emerging technologies using patent analysis and Twitter data mining: The case of perovskite solar cell technology. Technological Forecasting and Social Change, 146, 687-705.
  22. Mariani, Manuel Sebastian., Medo, Matúš., & Lafond, François. (2019). Early identification of important patents: Design and validation of citation network metrics. Technological Forecasting and Social Change, 146, 644-654.
  23. Mayer, Jörg H. (2011). Managing the Future-Six Guidelines for Designing Environmental Scanning Systems. In DESRIST 2011 (pp. 276-290).
  24. Mendonça, Sandro., Pina e Cunha, Miguel., Kaivo-oja, Jari., & Ruff, Frank. (2004). Wild cards, weak signals and organisational improvisation. Futures, 36(2), 201-218.
  25. Moni, Sheikh Moniruzzaman., Mahmud, Roksana., High, Karen., & Carbajales-Dale, Michael. (2020). Life cycle assessment of emerging technologies: A review. Journal of Industrial Ecology, 24(1), 52-63.
  26. Moreira, A., Hayashi, T., Coelho, G., & Silva, A. (2015). A Clustering Method for Weak Signals to Support Anticipative Intelligence. Computer Science, International Journal of Artificial Intelligence and Expert Systems.
  27. Moro, Alberto., Joanny, Geraldine., & Moretti, Christian. (2020). Emerging technologies in the renewable energy sector: A comparison of expert review with a text mining software. Futures, 117, 102511.
  28. Rotolo, Daniele., Hicks, Diana., & Martin, Ben R. (2015). What is an emerging technology Research Policy, 44(10), 1827-1843.
  29. Rousseau, Pauline., & Camara, Daniel. (n.d). Weak signal detection and identification in large data sets: a review of methods and applications.
  30. Rowe, Emily., Wright, George., & Derbyshire, James. (2017). Enhancing horizon scanning by utilizing pre-developed scenarios: Analysis of current practice and specification of a process improvement to aid the identification of important “weak signals” Technological Forecasting and Social Change, 125, 224-235.
  31. Schoemaker, Paul J. H., Day, George S., & Snyder, Scott A. (2013). Integrating organizational networks, weak signals, strategic radars and scenario planning. Technological Forecasting and Social Change, 80(4), 815-824.
  32. Schoemaker, Paul J.H., & Day, George S. (2009). How to Make Sense of Weak Signals. MIT Sloan Management Review.
  33. Schwarz, Jan Oliver., Kroehl, Rixa., & von der Gracht, Heiko A. (2014). Novels and novelty in trend research — Using novels to perceive weak signals and transfer frames of reference. Technological Forecasting and Social Change, 84, 66-73.
  34. Song, Chie Hoon., Elvers, David., & Leker, Jens. (2017). Anticipation of converging technology areas — A refined approach for the identification of attractive fields of innovation. Technological Forecasting and Social Change, 116, 98-115.
  35. Srinivasan, Raji. (2008). Sources, characteristics and effects of emerging technologies: Research opportunities in innovation. Industrial Marketing Management, 37(6), 633-640.
  36. Taylor, Margaret., & Taylor, Andrew. (2012). The technology life cycle: Conceptualization and managerial implications. International Journal of Production Economics, 140(1), 541-553.
  37. Thorleuchter, D., & Van den Poel, D. (2015). Idea mining for web-based weak signal detection. Futures, 66, 25-34.
  38. Thorleuchter, Dirk., Scheja, Tobias., & Van den Poel, Dirk. (2014). Semantic weak signal tracing. Expert Systems with Applications, 41(11), 5009-5016.
  39. Thorleuchter, Dirk., & Van den Poel, Dirk. (2013). Weak signal identification with semantic web mining. Expert Systems with Applications, 40(12), 4978-4985.
  40. van Veen, Barbara L., & Ortt, J., Roland. (2021). Unifying weak signals definitions to improve construct understanding. Futures, 134, 102837.
  41. Xu, Haiyun., Winnink, Jos., Yue, Zenghui., Zhang, Huiling., & Pang, Hongshen. (2020). Multidimensional Scientometric indicators for the detection of emerging research topics. Technological Forecasting and Social Change, 120490
آینده پژوهی انقلاب اسلامی
دوره 3، شماره 3
فصلنامه پاییز
آذر 1401
صفحه 11-48

فایل ها

سابقه مقاله

  • تاریخ دریافت: 23 مهر 1401
  • تاریخ بازنگری: 06 آبان 1401
  • تاریخ پذیرش: 26 دی 1401
  • تاریخ انتشار: 01 آذر 1401

هم رسانی

ارجاع به این مقاله

آمار