Evolving educational landscape in pathology: a comprehensive bibliometric and visual analysis including digital teaching and learning resources
Notice bibliographique
Résumé
Aims Pathology education is a core component of medical training, and its literature is critical for refining educational modalities. We performed a cross-sectional bibliometric analysis to explore publications on pathology education, focusing on new medical education technologies. Methods The analysis identified 64 pathology journals and 53 keywords. Relevant articles were collected using a web application, PaperScraper, developed to accelerate literature search. Citation data were collected from multiple sources. Descriptive statistics, with time period analysis, were performed using Microsoft Excel and visualised with Flourish Studio. Two article groups were further investigated with a bibliometric software, VOSViewer, to establish co-authorship and keyword relationships. Results 8946 citations were retrieved from 905 selected articles. Most articles were published in the last decade (447, 49.4%). The top journals were Archives of Pathology & Laboratory Medicine (184), Human Pathology (122) and the American Journal of Clinical Pathology (117). The highest number of citations was found for Human Pathology (2120), followed by Archives of Pathology & Laboratory Medicine (2098) and American Journal of Clinical Pathology (1142). Authors with different backgrounds had the greatest number of articles and citations. 12 co-authorship, 3 keyword and 8 co-citation clusters were found for the social media/online resources group, 8 co-authorship, 4 keyword and 7 co-citation clusters for the digital pathology/virtual microscopy/mobile technologies group. Conclusions The analysis revealed a significant increase in publications over time. The emergence of digital teaching and learning resources played a major role in this growth. Overall, these findings underscore the transformative potential of technology in pathology education.
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 | 0,010 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,138 | 0,148 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».