Global Research Trends in Research Data Management (RDM) – A Scientometric View
Notice bibliographique
Résumé
The study focuses on Research Data Management (RDM), aiming to demonstrate how RDM is evolving globally. It provides a systematic mapping of the current literature to aid in identifying core coverage and reflecting on potential trends using the scientometric technique. For detailed thematic analysis, performance analysis, network representation, science mapping, and scientific collaboration, this study used bibliometric tools such as the R package Biblioshiny, ScientoPy, and VOSviewer. Two premier indexing databases, SCOPUS and Web of Science, which extensively cover RDM literature, are appropriately considered. Furthermore, all retrieved documents are refined by language, document type, and irrelevant keywords for practical analysis. This study covers the Research Data Management (RDM) literature from 1926 to 2020, with 6263 documents published from 1666 sources and 15,545 authors. The most common domains discovered in RDM research are Computer Science, Library and Information Science. RDM is primarily familiar and cultivated in nations such as the United States, China, the United Kingdom, Canada, Germany, and Australia are pioneers in RDM research. The findings are vital for researchers working on RDM projects and policy formulation. This research helps to identify the literature's strengths and potential gaps. This secondary data contributes significantly to the scientific landscape in scientific production, network architecture, source clustering, and international collaboration, the evolution of dominant subjects and countries, and science mapping of productive word frequency. https://dorl.net/dor/20.1001.1.20088302.2022.20.4.8.7
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 | 0,026 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,018 | 0,074 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,020 | 0,041 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».