Visualization of the Scholarly Output on Evidence Based Librarianship: A Social Network Analysis
Notice bibliographique
Résumé
Abstract Objective – This paper aimed to analyze worldwide research on evidence based librarianship (EBL) using Social Network Analysis (SNA). Methods – This descriptive study has been conducted using scientometrics and a SNA approach. The researchers identified 523 publications on EBL, as indexed by Scopus and Web of Science with no date limitation. A range of software tools (Ravar PreMap, Netdraw, UCINet and VOSviewer) were utilized for data visualization and analysis. Results – Results of the study revealed that the United Kingdom (UK) and the United States (US) occupied the topmost positions regarding centrality measures, clearly indicating their important structural roles in EBL research. The network of EBL research in terms of the degree of connectedness showed low density in the co-authorship networks of both authors (0.013) and countries (0.214). Seven subject clusters were identified in the EBL research network, four of which related to health and medicine. The occurrence of the keywords related to these four subject clusters suggested that EBL research had a greater association with the setting of health and medicine than with traditional librarianship elements such as human resources or library collection management. Conclusion – This study provided a systematic understanding of topics, research, and researchers in EBL by visualizing the networks and may thus inform the development of future aspects of EBL research and education.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,028 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».