Research trends and content analysis of ocean literacy studies between 2017 and 2021
Notice bibliographique
Résumé
Ocean literacy (OL) refers to the ability of citizens to understand and explain the concepts and phenomena related to the oceans, and leads them to positive behavioral change for the protection and sustainability of the oceans. The study presents a bibliometric analysis of ocean literacy-based studies published between 2017 and 2021, in order to provide more meaningful information about (a) the academic journals that mostly publish ocean literacy studies, (b) the content analysis of the articles, (c) country rankings over the years (d) the keywords mostly used and (e) the funding source. The Web of Science (WoS) and Scopus databases were used to find ocean literacy-based articles. Seventy-nine articles from forty ocean literacy academic journals covered by WoS and Scopus were carefully selected using predefined criteria. The results revealed that most of ocean literacy-based articles were published in the Frontiers in Marine Science journal (n=23). The countries that published the most ocean literacy-based articles were UK, Italy, Canada, USA, and Portugal. Most of the studies were supported by governmental budgets (n=44). The most popular concepts in ocean literacy-based studies included “Global OL Perspectives’’, “Sustainability”, “Citizen Science”, “Students’ OL Improvement”, “Measuring and Evaluating Students and Teachers’ OL”, “Stakeholders’ Effects on OL”, “OL Based Books-iBooks-Textbooks” and “Individuals’ Affective Domain on OL”. By considering the large number of ocean literacy-based articles published in academic journals indexed in WoS and Scopus, this article can contribute significantly to ocean literacy studies and informed and responsible research, as well as to citizen input to policy development on ocean literacy.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,012 |
| 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 ».