Global scientific collaboration: A social network analysis and data mining of the co-authorship networks
Notice bibliographique
Résumé
Co-authorship networks consist of nodes and numerous links indicating scientific collaboration of researchers. These networks could be studied through social networks analysis and data mining techniques. The focus of the article is twofold: the first objective is the analysis of the co-authorship networks of the top 60 countries that had the highest number of scientific publications in the world, and the second one is the discovery of collaboration patterns of highly cited papers of these countries. To do so, all scientific publications of the top 60 countries in all fields as well as their highly cited papers were included in the study period between 2011 and 2015. The research samples in the first part included 10,460,999 documents and in the second part encompassed 711,025 highly cited papers. Required data were extracted from web of science database. To analyse co-authorship networks, centrality indices and clustering coefficient were used. UCINET, Pajek, VOSviewer and BibExcel software were used to map co-authorship networks of the countries and to calculate indices. Finally, the discovery of collaboration patterns in highly cited papers is studied through association rules. The research data indicated that over 95% of documents has been produced by the top 60 countries. In addition, the USA, Germany, England, France and Spain launched the most co-authorship. Quantitatively, there have been the most powerful collaboration links between China and the USA, the USA and England, the USA and Germany, and the USA and Canada. The clustering data indicated that collaborations of the top countries of the world were in three main clusters. The Friedman test showed that there was a significant difference in the priorities of the countries for collaboration; and the USA, China, England, Germany, France, Japan and Italy are in the top priority for collaboration, respectively. The results of collaboration pattern in highly cited papers indicated that the USA participates in more than half of collaboration patterns for producing highly cited papers.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».