A Bibliometric Analysis of Deep Web Research during 1997 to 2019
Notice bibliographique
Résumé
This study provides a bibliometric account of global deep web research published from 1997 to 2019. A total of 1995 records were imported from the Scopus database in a bibtex file. The bibliometrix package in RStudio was used for analyses. Publication Growth, Citations, Authorship, Country and Affiliations has been analysed. It was found that deep web research had a slow growth rate. In the last four years it has seen a recovery in the growth rate. Furthermore, this study shows the distribution of highly cited papers in the field over 23 years. It shows the country and institutional affiliation pattern of prolific authors. It also presents the most preferred sources, search terms and preferred medium of research communication. It is found that deep web research had a slow growth rate, but since 2016 it is picking up. China is the leading contributor of publications followed by the United States of America, Japan, and the United Kingdom. India is the fifth largest contributor. Contribution of citable publications has been led by Canada and USA with 81.9 per cent of efficiency followed by Australia (79.7 %), France (73.4 %) and Spain (73.1 %). It is also found that most of the prolific authors (by number of publications) do not appear in highly cited publications’ list. Deep web researchers mostly preferred using conference publications to communicate their findings. ‘Machine Learning’ and ‘cryptomarkets’ are two contemporarily popular terms being used by deep web researchers also, which indicates interest towards these topics.
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 | 0,004 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,119 | 0,200 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».