Four decades of counterfeit research: A bibliometric analysis
Notice bibliographique
Résumé
This paper assesses the evolution of last 43 years in counterfeit research with respect to sources of knowledge (i.e.journals, authors, institutions, countries) and research themes.The oldest paper on this subject discovered in the Scopus database was published 43 years ago, yet a time frame was not specified.Sources of knowledge are assessed on research productivity (quantitative) as well as impact (qualitative).Research themes, key areas of focus within the counterfeit research landscape, are identified and discussed to conceptualize our understanding of the field.Via a systematic literature review, 713 peer-reviewed academic articles published in 282 journals from 1978 to 2021 were selected as the sample for this study.The systematic review technique was chosen as compared with narrative reviews of the literature it focuses on open, extensive, and detailed approaches to literature searches, in addition to conforming to the scientific criteria utilised in primary research, namely transparency, rigour, comprehensiveness, and reproducibility.A database of references and citations was created for analysis.The data was analyzed to prepare comparative tables.Further, the Leximancer software was used to generate lexical conceptual trends.This data was further analyzed to identify emerging themes.The Journal of Business Ethics had the highest number of articles and citations, followed by the Journal of Business Research and Business Horizons.Ian Phau (14 articles) and Michael D. Smith, (9 articles) were the most prolific authors.Joseph Nunes and Ian Phau attained the highest number of citations, cited 658 and 577 times respectively.Eight major research themes were identified: products, piracy, model, price, firms, digital, supply, and ethical.Each theme was analyzed over time.The major research areas analyzed across the articles over time were Technology (particularly "Technology" and "Software" topics) and Ethics (particularly "IP" and "Legislation").The identification of these research area captures the essence of the paper's uniqueness and contribution to this field of research.This is the first systematic literature review in counterfeit literature that captures multi-decade sources of knowledge in business journals.
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 | 0,013 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,124 | 0,156 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».