The Landscape of Risk Perception Research: A Scientometric Analysis
Notice bibliographique
Résumé
Risk perception is important in organizational and societal governance contexts. This article presents a high-level analysis of risk perception research using Web of Science core collection databases, scientometrics methods and visualization tools. The focus is on trends in outputs, geographical and temporal trends, and patterns in the associated scientific categories. Thematic clusters and temporal dynamics of focus topics are identified using keyword analysis. A co-citation analysis is performed to identify the evolution of research fronts and key documents. The results indicate that research output is growing fast, with most contributions originating from western countries. The domain is highly interdisciplinary, rooted in psychology and social sciences, but branching into domains related to environmental sciences, medicine, and engineering. Significant research themes focus on perceptions related to health, with a focus on cancer, human immunodeficiency virus, and epidemiology, natural hazards and major disasters, traffic accidents, technological and industrial risks, and customer trust. Risk perception research originated from consumer choice decisions, with subsequent research fronts focusing on understanding the risk perception concept, and on developing taxonomies and measurement methods. Applied research fronts focus on environmental hazards, traffic accidents, breast cancer and, more recently, e-commerce transactions and flood risk. Based on the results, various avenues for future research are described.
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 | 0,054 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,176 | 0,228 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,018 | 0,011 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».