Global Machine-learning Research: a scientometric assessment of global literature during 2009–18
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The article provides a quantitative and qualitative analyses of global machine-learning research output (48,455 publications), using select bibliometric indicators, using Web of Science database for 2009–18 period. The various indicators used in this study are: average annual growth, citations per paper, international collaborative papers, relative citation index, activity index, top-productive countries, organizations, authors, journals, and highly cited papers. Machine learning (within the domain of artificial intelligence) as a subject of study has fast-emerged as a subject of intensive research. It registered average annual growth rate of 27.59% and averaged citation impact of 10.78 per paper. Among 138 participating countries, the USA and China were in top 10 most productive countries on the subject. Among top 10 countries, France and Canada were the leading countries in terms of average citation per paper and relative index. France and Australia were leading in terms of for their national-level share to international collaborative publications (64.95% and 63.95%, respectively). In terms of type of machine learning, supervised learning registered the largest publications’ share, followed by deep learning, semi-supervised learning and reinforced learning (0.89% share, 556 papers). Centre National De La Recherche Scientique, France (769 papers), Harvard University, USA (751 papers) and University of London, UK (729 papers) were the three most productive global research organizations. In contrast, University of Toronto, Canada, Nanyang Technological University, Singapore and University of Oxford, UK were the three leading organizations in terms of citation per paper and relative citation index. Y. Zhang (246 papers), Y. Liu (204 papers) and J. Wang (203 papers) were leading in publication productivity in contrast to J. Li (12.52 and 1.03). L. Zhang (12.42 and 1.02) and J. Zhang (11.23 and 0.92) scored high in citation per paper and relative citation index on the subject. Neurocomputing (1310 papers), PLOS One (917 papers) and Expert Systems with Applications (861 papers) were the leading journals on this subject.
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.
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | low |
| gpt | Bibliométrie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle