تحلیل شبکه‌های هم‌نویسندگی یک زمینه میان‌رشته‌ای است که اغلب از ابزارهای مختلف تحلیلی در مراحل گوناگون استفاده می‌کند. با این حال، با افزایش پیچیدگی و گستردگی شبکه‌ها، روش‌های سنتی محدودیت‌های قابل توجهی را تجربه می‌کنند. علاوه بر این، ادغام داده‌های متنی و منابع غیرمعمول فرصتی برای استخراج بینش‌های عمیق‌تر و پیچیده‌تر از این شبکه‌ها فراهم می‌کند. این فرایند نیازمند بهره‌گیری از تکنیک‌های پیشرفته مانند استخراج متن و پردازش زبان طبیعی است. این مقاله علاوه بر رسیدگی به این چالش‌ها، مرور سیستماتیکی از مطالعات موجود درباره تحلیل شبکه‌های هم‌نویسندگی از دیدگاه‌های مختلف ارائه می‌دهد.
این پژوهش به بررسی ویژگی‌های ساختاری و تکامل پویای شبکه‌های هم‌نویسندگی با استخراج داده‌های مربوط به کاربردهای مختلف آن از پایگاه‌های معتبر مانند PubMed، Scopus و Semantic Scholar می‌پردازد. مجموعه داده‌ای بیش از ۲،۰۰۰ مقاله مرتبط گردآوری شد و با استفاده از روش‌های یادگیری شبکه و الگوریتم‌های یادگیری ماشین مورد تحلیل قرار گرفت. این تحلیل شامل شاخص‌های عمومی شبکه هم‌تألیفی از قبیل تراکم و ضریب خوشه‌بندی، یافتن فعال‌ترین زمینه‌های کاربردی، نویسندگان و مجلات، خوشه‌بندی، بررسی پویایی زمانی تغییرات شبکه و ... بود. نتایج نشان‌دهنده گسترش چشمگیر جوامع هم‌نویسندگی است، به ویژه در حوزه‌های میان‌رشته‌ای مانند مهندسی، پزشکی و علوم کامپیوتر. این پژوهش اطلاعات ارزشمندی را برای پژوهشگرانی فراهم می‌کند که به شناسایی حوزه‌های کمتر بررسی‌شده و رفع شکاف‌های دانش در تحلیل شبکه‌های هم‌تألیفی کمک می‌کند.