A Survey of the Collaboration Rate of Authors in the E-Learning Subject Area over a 10-Year Period (2005-2014) Using Web of Science
Notice bibliographique
Résumé
<p>Partnership is one of the mechanisms of scientific development, and scientific collaboration or co-authorship is considered a key element in the progress of science. This study is a survey with a scientometric approach focusing on the field of e-learning products over 10 years. In an Advanced Search of the Web of Science, the following search formula was used: TS=("m-learning" OR "mlearning" OR "mobile learning" OR "online learning" OR "virtual learning" OR "distance learning" OR "electronic learning"). The study was limited to 2005-2014, and the document type was limited to paper. A total of 4292 documents were found, to which 12362 authors contributed. The articles were evaluated individually and their information was entered into Microsoft Office Excel 2007 for analysis using the collaborative coefficient formula. In the Computers and Education journal, articles with two authors are the most frequent. The United States, with the highest production of articles in the field of e-learning, tends to produce articles with two authors. In 2014, the most productive year, articles with three authors were more frequent. The highest collaborative coefficient is in 2005 and 2014. Our findings show that despite the need for research activities as a team, the authors in the field of e-learning tend to publish their papers alone or in a team of two.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».