تحلیل ساختار فکری مطالعات ربط در بازیابی اطلاعات در وبگاه علوم (Web of Science) طی سالهای 2009- 2018
Notice bibliographique
Résumé
Aim:This research attempts to reveal the intellectual structure of “Relevance” articles in order to identify the top authors, countries and topical clusters, via co-word, co-author, and science visualization tools. Methodology:This is application research which is conducted by scientometric methodology. Population comprises 2530 records in the field of Relevance during 2009-2018, which had been retrieved from Web of Science. PreMap software is used for homogenization of words, and VOSviewer, and Bibexcel are used for science visualization. Finding:Findings indicate that the most articles were published in 2015 with 293 titles. The scientific map of co-authorship led to creation of 6 clusters. The top authors in scientific co-authorship were Huang, Jose, De rijke, Zuccon, Song, and Scholer. The top countries in scientific co-authorship were USA, China, England, Canada, India, and France. Use of co-word analysis led to the creation of 6 topical clusters in the field of Relevance, including among others: Information retrieval, Search engines, and Relevance feedback. Conclusion:The upward trend of scientific outputs in the field of Relevance during recent years indicates the increasing importance of this field in Library and Information Science. The results indicate that the researchers as well as studying the general and traditional principles of Relevance field have not been unaware of new developments in this field and studied both of them at the same time.
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 | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,020 |
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 ».