Bibliometrics and the Study of Academic Knowledge Circulation
Notice bibliographique
Résumé
Quantitative science studies have been used to facilitate the systematic analysis of the digital tide of literature over the last few decades. This chapter reviews two applications related to science mapping of scholarly communication. Science mapping includes visualisations to analyse potential relationships among people, organisations and concepts. Here, we review two methods: (a) co-authorship: to unveil the scientific connections of actors in the field; (b) and co-word analysis: to reveal the main themes and topics and their cognitive structure. We also present an exploratory case of study for the knowledge circulation literature. Based on a sample of 3,900+ documents published between 1996 and 2021, we found a global average annual growth of the literature of approximately 17 per cent, particularly since 2009. We then segmented the science mapping analysis into two periods: 1996–2008 and 2009–21 to track changes over time. Co-authorship analysis showed a growing institutional collaboration between periods, first led by USA–Asia Pacific institutions, then by the UK and Canada. However, the co-word analysis showed consistency between periods of the conceptual communities concerning knowledge management via Information Technology (IT) and miscellaneous in the history of medicine and research/methodologies . Relevant conceptual communities in the first period were displaced by communities such as e-learning and education economics ; research methods in public policy and sustainability sciences and environmental policy . Beginners, seasoned scholars and other actors could use our findings to identify key institutions and topics in the knowledge circulation research landscape.
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 | 0,032 | 0,176 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,117 | 0,205 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,011 | 0,013 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».