Cyber security trend analysis using web of science: A bibliometric analysis
Notice bibliographique
Résumé
Post COVID-19, it is almost certain that most IT/ ITES enabled industries will harness the capabilities of the cloud to promote remote working culture With organizations going online, it is evident that probability of cyber-attacks will spike exponentially Therefore it is very crucial for all digitally enabled industries to keep abreast with the current trends, concerns, and on-going research in the field of cyber-security (Gochhait, Shou, & Fazalbhoy, 2020) To enhance this study, the research has been conducted from the year when the first paper in the field of cyber security was published to date,which is from 1998-2020 The extensive trend analysis has been conducted using bibliometric analysis taking into consideration various parameters for analysis The research uses Web of Science directory for data analysis, studying approximately 2184 records to enlighten the scholars around the world This research will help academicians, students, and experts to get a complete idea of the development of cyber-security as a research field The analysishas revealed apositive growth in the literature The sudden growth of publications was found after 2010 with about 300 published yearly in recent past To name a few, IEEE, Elsevier and Springer were amongst the most popular publications for quality papers on cyber security Countries like the US, UK, Netherlands, Switzerland, Germany, and Canada have contributed significantly to the research related to cyber security © 2020 Ubiquity Press All rights reserved
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 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,135 | 0,164 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».