Trends and Issues of Ethnoscience Research from 2008 to 2023: A Bibliometric Analysis
Notice bibliographique
Résumé
This paper aims to analyze research trends on ethnoscience using bibliometric analysis from 2008-2023. The research sample consisted of 153 documents obtained from the Scopus database. The results of the study show that the distribution of publication frequency reaches its peak in 2021 with 32 articles identified. The distribution of research themes consists of 4 primary clusters and 35 secondary clusters. The ethnoscience research area is dominated by social science research (30.2%). The country with the best documents shows that Indonesia is ranked first as the most productive country in publishing on ethnoscience with 74 identified documents. The United States released second place with 28 documents, third Brazil with 10 documents, fourth Canada with 9 documents, and fifth France, Germany, Italy and the Russian Federation with 5 documents each. Institutions that contributed the most came from Indonesia, Universitas Negeri Semarang 22 papers 33.66%, University of Alberta 9 papers 13.77%, Universitas Negeri Surabaya 7 papers 10.71, Universitas Negeri Padang 7 papers 7.65%. The best author with the highest number of citations is Dahdouh. Meanwhile, if we look at the number of documents published by the author, Sudarmin has 10 documents with a contribution of 15.3%.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,044 | 0,086 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».