Bibliometric analysis of harassment and bullying in sport
Notice bibliographique
Résumé
Background and Study Aim. This study aims to chart the trend of publications in the Scopus database and the Web of Science as well as the global evolution of harassment and bullying in sports.
 Material and Methods. ScientoPy and VOSviewer software were used in this study to analyze the number of publications, well-known research topics, proactive authors, author keywords, preferred sources, and institutional data. This study uses data reconciliation with 1, 883 different items from the Scopus database and the Web of Science. An increasing trend in sports nutrition research was found using the Scopus and WoS databases.
 Results. This field has grown significantly since 2015. In addition, the percentage of documents published in the last two years (2020 to 2021) shows that 22.40% were published on WoS and 22.04% on Scopus. The five keywords that are trending topics between 2020 and 2021 are "Sports", "Racism", "Race", "Sexual Harassment", and "Gender". Meanwhile, the keywords with the highest total link strength were "sports" (244), "racism" (169), "bullying" (165), "adolescents" (161), and "physical activity" (150). The University of Toronto, Canada, became the most productive institution with 22 publications.
 Conclusions. The most prestigious institutes and researchers in the field of harassment and bullying research in sports have been recognized, along with key research areas, keywords, and related papers. The study also offers potential readers and researchers a global perspective on the hottest issues in harassment and bullying in sport today. In addition, it provides various analyses to assist in the organization of data for the development of harassment and bullying research theories and methodologies in strong sports.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,008 | 0,035 |
| 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 | 0,000 |
| 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 ».