Mapping Neuroscience in the Field of Education through a Bibliometric Analysis
Notice bibliographique
Résumé
This study aimed to explore the core knowledge topics and future research trends in neuroscience in the field of education (NIE). In this study, we have explored the diffusion of neuroscience and different neuroscience methods (e.g., electroencephalography, functional magnetic resonance imaging, eye tracking) through and within education fields. A total of 549 existing scholarly articles and 25,886 references on neuroscience in the field of education (NIE) from the Web of Science Core Collection databases were examined during the following two periods: 1995-2013 and 2014-2022. The science mapping software Vosviewer and Bibliometrix were employed for data analysis and visualization of relevant literature. Furthermore, performance analysis, collaboration network analysis, co-citation network analysis, and strategic diagram analysis were conducted to systematically sort out the core knowledge in NIE. The results showed that children and cognitive neuroscience, students and medical education, emotion and empathy, and education and brain are the core intellectual themes of current research in NIE. Curriculum reform and children's skill development have remained central research issues in NIE, and several topics on pediatric research are emerging. The core intellectual themes of NIE revealed in this study can help scholars to better understand NIE, save research time, and explore a new research question. To the best of our knowledge, this study is one of the earliest documents to outline the NIE core intellectual themes and identify the research opportunities emerging in the field.
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 | 0,008 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,100 | 0,105 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».