مرجع روش شناسی آینده پژوهی؛ جلد اول صفحه 63؛ جروم سی. گلن، تئودور جی. گوردون؛ مترجم و ویراستار ابوذر سیفی کلستان

 

متن‌کاوی منابع اطلاعات علم و فن‌آوری را می‌توان به اختصار فن‌کاوی (یا کاوش فن‌آوری) نامید. مقدمه‌ی کلیدی و اساسی این است که هوش یک نیاز اولیه برای مدیریت فن‌آوری موثر است (همان طور که در سازمان های پیشرو این گونه است). عملکرد سازمان‌ها در محیط‌های رقابتی و یا مشترک باید جریان اطلاعات را برای پیشرفت‌های بیرونی فن‌آوری دنبال کند.

بدین ترتیب هوش فن‌آوری از تحلیل فن‌آوری آینده‌گرا (FTA) حمایت می‌کند. تحلیل فن‌آوری آینده‌گرا، جامعه‌ی رو به گسترشی است که بر دوره‌های جاری همایش‌هایی تاکید می‌کند که توسط موسسه‌ی مطالعات وابسته به فنآوری آینده‌نگر (IPST) میزبانی می‌شود.

این روش در بازنگری‌های مرور ادبیات سنتی تحقیق ریشه دارد. رصد یا پایش فن‌آوری، در واقع ادبیات تحقیق را برای یک فن‌آوری مورد علاقه‌ی مشخص، بازنگری می‌کند. این کار معمولاً با بررسی دامنه‌ی وسیعی از منابع صورت می‌گیرد. پویش فن‌آوری، راه‌هایی را جستجو می‌کند تا مقادیر بزرگ اطلاعات پردازش نشده را با هدف شناسایی الگوهای توسعه‌ای و رویدادهای کلیدی (توفیقات ناگهانی)، خلاصه کند. در ارتباطی نزدیک، بررسی محیطی فراهم سازی هشدارهای فوری درباره‌ی تغییرات مهم محیط‌های متفاوت را هدف قرار می‌دهد. (به عنوان مثال زمینههای رقابتی، زمینههای سیاسی و خطمشی یا زمینههای طبیعی؛ ر.ک: پویش محیطی، از گوردون و گلن).

پیدایش منابع اطلاعاتی الکترونیکی با قابلیت دسترسی گسترده، تلاش‌ها برای دستیابی به هوش را به طور کیفی و پیوسته تغییر می‌دهد. بطوری که یک فرد اکنون می‌تواند مقادیر عظیم اطلاعات را به آسانی و موثر پردازش کند. ( کتابسنجی) - شمارش نشریات و یا دیگر اقلام کتاب‌سنجی- می تواند به پیگیری (روند) توسعه‌های فناورانه و علمی کمک کند.

فن‌کاوی را می‌توان نوعی (تحلیل محتوا نیز قلمداد کرد. تحلیل محتوا، ریشه در دوره‌ی قبل از شروع پردازش اطلاعات الکترونیکی دارد و با فراهم شدن مجموعه داده‌های الکترونیکی و نرم افزارهای تحلیل‌گر به شکوفایی رسید. یک فرد الگوها را در دوره‌ی استفاده بررسی می‌کند تا به موضوعات مورد تاکید دامنه‌ی مشخص شده، پی ببرد. متن کاوی امکان تغییرات قوی را در اختیار تحلیل‌محتوا می‌گذارد. این فعالیت جستجوگر تنها به تحلیل فن‌آوری محدود نمی‌شود.

داده‌کاوی برای استخراج اطلاعات مفید از هر نوع داده‌ای تلاش دارد اما تاکنون معمولاً برای تحلیل‌های کم ارزش از داده‌های عددی استفاده شده‌است (مانند پیدا کردن رابطهی بین خریدهای شما از طریق کارت اعتباریتان با ویژگی‌های جمعیتشناسی شما). این کاربردِ به شدت تبلیغ شده از داده‌کاوی (در جنگ بر سر افراطگرایی) در حقیقت معنای رایج آن را گسترش داده است، به گونه‌ای که می‌تواند یک آغاز سریع تحلیلی بر روی هر مجموعه‌ی حجیم از داده‌ها داشته باشد؛ مجموعه‌هایی از داده‌هایی که کیفی و بدون ساختار هستند.