<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه قم</PublisherName>
				<JournalTitle>علوم و فنون مدیریت اطلاعات</JournalTitle>
				<Issn>2476-6658</Issn>
				<Volume>12</Volume>
				<Issue>1</Issue>
				<PubDate PubStatus="epublish">
					<Year>2026</Year>
					<Month>03</Month>
					<Day>21</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Evaluating the quality of data in articles by faculty members of the Faculty of Pharmacy, Kerman University of Medical Sciences, based on the DQA model</ArticleTitle>
<VernacularTitle>ارزیابی کیفیت داده‌های مقاله‌های اعضاء هیئت‌علمی دانشکدۀ داروسازی دانشگاه علوم پزشکی کرمان براساس مدل دی.کیو.ای</VernacularTitle>
			<FirstPage>84</FirstPage>
			<LastPage>93</LastPage>
			<ELocationID EIdType="pii">3645</ELocationID>
			
<ELocationID EIdType="doi">10.22091/stim.2025.11962.2199</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>عادل</FirstName>
					<LastName>سلیمانی نژاد</LastName>
<Affiliation>بخش علم اطلاعات و دانش‌شناسی، دانشگاه شهید باهنر کرمان،کرمان، ایران</Affiliation>
<Identifier Source="ORCID">0000-0002-9757-6836</Identifier>

</Author>
<Author>
					<FirstName>فریبرز</FirstName>
					<LastName>درودی</LastName>
<Affiliation>استادیار، پژوهشکده علم سنجی و تحلیل اطلاعات، پژوهشگاه علوم و فناوری اطلاعات، ایران</Affiliation>
<Identifier Source="ORCID">0000-0003-0386-5301</Identifier>

</Author>
<Author>
					<FirstName>مرضیه</FirstName>
					<LastName>حسین زاده گورچویی</LastName>
<Affiliation>بخش علم اطلاعات و دانش شناسی دانشگاه شهید باهنر کرمان. کرمان. ایران</Affiliation>
<Identifier Source="ORCID">0000-0002-9757-6836</Identifier>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>12</Month>
					<Day>23</Day>
				</PubDate>
			</History>
		<Abstract>&lt;strong&gt;Objective:&lt;/strong&gt; The main purpose of this study is to evaluate the data quality of research articles authored by faculty members of the Faculty of Pharmacy at Kerman University of Medical Sciences, based on the Data Quality Assessment (DQA) model.
&lt;strong&gt;Methodology:&lt;/strong&gt; This applied research employs a descriptive-evaluative survey design. The statistical population consists of 340 articles published by faculty members of the Faculty of Pharmacy at Kerman University of Medical Sciences between 2018 and 2022. A sample of 181 articles was randomly selected from the PubMed database using the Morgan table. Data extraction was conducted by first identifying relevant keywords, then applying key filters to extract data based on the research components of the DQA model: validity, reliability, timeliness/up-to-dateness, accuracy, integrity, and consistency. Data quality was evaluated using the Bazargan table scale and a one-sample t-test.
&lt;strong&gt;Findings:&lt;/strong&gt; The findings indicate that, among the dimensions of data quality, &quot;data validity&quot; most frequently (13) received a &quot;completely undesirable&quot; rating, while &quot;data integrity&quot; least frequently (7) received a &quot;completely desirable&quot; rating. Conversely, &quot;data up-to-dateness&quot; (42) and &quot;data consistency&quot; (40) were identified as having the highest level of quality, categorized as &quot;completely desirable.&quot; The results of the primary hypothesis test, with a mean data quality score of $\mu_0 = 3.83$, indicate that the articles are generally in a desirable state.
&lt;strong&gt;Conclusion:&lt;/strong&gt; The study demonstrates that the data quality of the examined articles is generally desirable according to the DQA model. To further enhance the quality of scientific papers, it is recommended that researchers prioritize the collection of data from valid, reliable, and up-to-date sources, employ advanced statistical methods, and ensure the rigorous documentation of all data collection and processing stages. Additionally, efforts such as removing invalid data, correcting missing values, mitigating human errors, and utilizing machine learning algorithms for predictive analysis are essential for continuous improvement in research quality</Abstract>
			<OtherAbstract Language="FA">&lt;strong&gt;هدف:&lt;/strong&gt; پژوهش حاضر ارزیابی کیفیت داده‌های مقاله‌ها تولیدشدۀ اعضای هیئت‌علمی دانشکدۀ داروسازی دانشگاه علوم پزشکی کرمان را براساس مدل دی.کیو.ای  بررسی کرده است.
&lt;strong&gt;روش‌شناسی: &lt;/strong&gt;این پژوهش از نوع کاربردی  و روش آن پیمایشی_ توصیفی از نوع ارزیابانه است.جامعۀ­آماری 340 مقاله از مقاله‌های اعضاء هیئت‌علمی دانشکدۀ داروسازی دانشگاه علوم پزشکی کرمان در سال‌های2022-2018 است که براساس جدول مورگان، 181 مقاله به‌روش تصادفی از پایگاه اطلاعاتی پاب‌مد انتخاب شد. برای استخراج داده‌ها، ابتداکلمات کلیدی مرتبط با موضوع مقاله‌ها انتخاب شدند، سپس با استفاده از فیلترهای کلیدی، داده‌ها براساس مؤلفه‌های پژوهش (اعتبار داده­ها، قابلیت اطمینان داده­ها، به‌موقع بودن و روزآمدی داده­ها، دقت داده­ها، یکپارچگی داده­ها، و سازگاری داده­ها) بر اساس مدل  دی.کیو.ای استخراج شدند.  ارزیابی کیفیت داده‌های مقاله‌ها براساس مقیاس جدول بازرگان و  آزمون تی تک‌نمونه­ای انجام شد.
&lt;strong&gt;یافته‌ها&lt;/strong&gt;: یافته‌های پژوهش بیانگر این است که مؤلفۀ اعتبار داده با بیشترین فراوانی(13) گزینه کاملا غیرمطلوب و مؤلفۀ یکپارچگی کمترین فراوانی(7) گزینۀ کاملا مطلوب را در بین ابعاد کیفیت داده‌های مقالات را دارند. مؤلفۀ روزآمدی داده‌ها با فراوانی42 و مؤلفۀ سازگاری داده‌ها با فروانی40 گزینۀ کاملا مطلوب بالاترین سطح کیفیت داده‌های مقاله را داشته‌اند.  نتایج آزمون فرضیۀ اصلی پژوهش، با میانگین کیفیت داده‌ها 83/3= µ&lt;sub&gt;0&lt;/sub&gt; نشان می‌دهد مقاله‌ها در وضعیت مطلوب قرار دارند.
&lt;strong&gt;نتیجه‌گیری&lt;/strong&gt;: نتایج پژوهش نشان داد کیفیت داده­های مقاله‌ها براساس مدل دی.کیو.ای در وضعیت مطلوب قرار دارد. جمع‌آوری داده‌های معتبر و دقیق از منابع معتبر و قابل اعتماد و به‌روز، استفاده از روش‌های آماری پیشرفته برای تحلیل دقیق‌ترداده‌ها، حذف داده‌های نامعتبر، اصلاح داده‌های گم‌شده و کنترل خطاهای انسانی، استفاده از الگوریتم‌های یادگیری ماشین برای پیش‌بینی و تحلیل دقیق‌تر داده‌ها، استفاده از آزمون‌ها و روش‌های مختلف برای اعتبارسنجی داده‌ها، و در نهایت&lt;strong&gt; &lt;/strong&gt;مستندسازی دقیق مراحل جمع‌آوری، تحلیل، و پردازش داده‌ها عوامل موثر بر بالا بردن کیفیت داده‌ها مقلات علمی هستند.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">مدیریت کیفیت داده‌ها</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">ارزیابی کیفیت داده</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مدل کیفیت داده دی.کیو.ای</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مقلات علمی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">دانشکدۀ داروسازی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">دانشگاه علوم پزشکی کرمان</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://stim.qom.ac.ir/article_3645_60deaa347425604d97463fecac8548d9.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
