Macro-level collaboration network analysis and visualization with Essential Science Indicators: A case of social science
Notice bibliographique
Résumé
Cross-national collaboration has been shaped by internationalization of scientific relationships. To study the synergic network of high quality research patterns, this paper collects a total of 300 top 50 items, in each indicator from the big database, Essential Science Indicators, which lists top-ranking papers, scientists and institutions from 2005 to 2015. First, the country level relations of co-authorship addresses in five indicator variables are extracted in the field of social sciences to build international collaboration networks. The social network analysis (SNA) method was applied to calculate the metrics of vertices, edges, average degree, average shortest path, diameter, clustering coefficient and betweenness centrality to illuminate the structural characters and collaboration patterns. Based on the international collaboration similarities, this paper also visualizes the endemic clustering groups of six networks, as cluster dendrograms, using Hierarchical Clustering (HC) method. Findings illustrate that USA, England and Canada are outstanding countries in the international collaboration networks of five indicators. There are geographical groups in European countries in the collaboration networks of scientists, institutes and countries/territories. It is also found that international collaboration contributes to both highly cited papers in the recent 10 years and hot papers in the recent 2 years in this field, rather than geographical similarity does. Those conclusions are critical for policy makers to produce guidelines on how to encourage researchers to build collaboration networks with high-level scholars in different countries
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,026 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,017 |
| Science ouverte | 0,001 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».