A structured literature review of scientometric research of the knowledge management discipline: a 2021 update
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
Purpose The purpose of this study is to conduct a structured literature review of scientometric research of the knowledge management (KM) discipline for the 2012–2019 time period. Design/methodology/approach A total of 175 scientometric studies of the KM discipline were identified and analyzed. Findings Scientometric KM research has entered the maturity stage: its volume has been growing, reaching six publications per month in 2019. Scientometric KM research has become highly specialized, which explains many inconsistent findings, and the interests of scientometric KM researchers and their preferred inquiry methods have changed over time. There is a dangerous trend toward a monopoly of the scholarly publishing market which affects researchers’ behavior. To create a list of keywords for database searches, scientometric KM scholars should rely on the formal KM keyword classification schemes, and KM-centric peer-reviewed journals should continue welcoming manuscripts on scientometric topics. Practical implications Stakeholders should realize that the KM discipline may successfully exist as a cluster of divergent schools of thought under an overarching KM umbrella and that the notion of intradisciplinary cohesion and consistency should be abandoned. Journal of Knowledge Management is unanimously recognized as a leading KM journal, but KM researchers should not limit their focus to the body of knowledge documented in the KM-centric publication forums. The top six most productive countries are the USA, the UK, Taiwan, Canada, Australia and China. There is a need for knowledge brokers that may deliver the KM academic body of knowledge to practitioners. Originality/value This is the most comprehensive, up-to-date analysis of the KM discipline.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,017 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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