Multiple criteria analysis of the popularity and growth of research and practice of visual analytics, and a forecast of the future trajectory
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
Abstract This study employs Google trends and data from the web of science to evaluate the popularity, growth, and impacts of visual analytics (VA) as a research field and data science technique. The paper undertakes quantitative analyses and visualization of the temporal trends, from VA's emergence in 2000 to the end of 2019. The trend analysis helps to forecast future growth in the research and practice of VA. The study highlights four outcomes. First, there is a robust direct relationship among the variables, including VA's growth on the Google trends, the scientific literature production (SLP), and usage of the published documents. Second, the SLP's growth pattern highlights VA's popularity as an emerging field with an overall annual increase of 17.4%. The high citation counts of the published scholarship indicate a significant impact and a continuous growth of the VA field. Third, VA contributes to diverse disciplines other than computer science and information systems, from business and economics to engineering, healthcare, biomedical and chemical sciences, and arts and humanities. VA helps researchers and practitioners in multidisciplinary fields analyze multidimensional data, enhance data visualization, knowledge discovery, generating insights, and make informed decisions. On the reverse, other disciplines contribute to propelling VA's popularity through research productivity, usage, and citation impacts. Finally, a trend analysis predicts sustained future growth of VA technology in research and practice to dissect and sensemaking of the increasingly massive and complex data structures, which is now the norm in many fields.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle