《表5 1994—2020年体育人工智能研究的关键词聚类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于知识图谱的体育人工智能研究分析》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

关键词是对文献主题的提炼，其在关键词聚类后出现的频次与研究主题的热度成正比[52]。“Cite Space”软件可以将关键词的聚类关系和频次高低以可视化的形式直观地呈现出来，进而析出此领域的研究热点。运行“Cite Space V”得出体育人工智能研究的关键词聚类图谱，聚类标签和关键词的标签位置以最小化重叠显示（见图5）。可以看出图5共有341个网络节点，703条连线，网络密度为0.012 1，圆圈越大代表该节点的关键词出现的次数越多。模块度Q的值为0.731 6，大于临界值0.3，说明共词网络的聚类效果较好；平均轮廓值为0.734 1，大于临界值0.7，表明聚类结果令人信服。选取发文量大于20篇的关键词子聚类群，共有10个，并依据每个子聚类群的不同研究的应用方向和范围将其进行二次聚类，以此能反映人工智能在体育领域的3大应用方向，即聚类群Ⅰ：“体质健康促进”、聚类群Ⅱ：“运动损伤防控”、聚类群Ⅲ：“运动能力提升”（见表5），同时每个子聚类的单独轮廓值均大于0.7，说明子聚类结果令人信服。