Thirty years of research on physical activity, mental health, and wellbeing: A scientometric analysis of hotspots and trends
Notice bibliographique
Résumé
The sheer volume of research publications on physical activity, mental health, and wellbeing is overwhelming. The aim of this study was to perform a broad-ranging scientometric analysis to evaluate key themes and trends over the past decades, informing future lines of research. We searched the Web of Science Core Collection from inception until December 7, 2021, using the appropriate search terms such as “physical activity” or “mental health,” with no limitation of language or time. Eligible studies were articles, reviews, editorial material, and proceeding papers. We retrieved 55,353 documents published between 1905 and 2021. The annual scientific production is exponential with a mean annual growth rate of 6.8% since 1989. The 1988–2021 co-cited reference network identified 50 distinct clusters that presented significant modularity and silhouette scores indicating highly credible clusters ( Q = 0.848, S = 0.939). This network identified 6 major research trends on physical activity, namely cardiovascular diseases, somatic disorders, cognitive decline/dementia, mental illness, athletes' performance, related health issues, and eating disorders, and the COVID-19 pandemic. A focus on the latest research trends found that greenness/urbanicity (2014), concussion/chronic traumatic encephalopathy (2015), and COVID-19 (2019) were the most active clusters of research. The USA research network was the most central, and the Chinese research network, although important in size, was relatively isolated. Our results strengthen and expand the central role of physical activity in public health, calling for the systematic involvement of physical activity professionals as stakeholders in public health decision-making process.
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 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 | 0,000 |
| Bibliométrie | 0,008 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».