An Analytical Examination of Research Trends in the Indian National Education Policy 2020: A Scientometric Approach
Notice bibliographique
Résumé
Education policies are used by nations across the world to regulate the education systems of their countries. Effective drafting and implementation of the policies will put the educational sphere of the nation on the global radar. Reviewing multiple publications related to the Indian National Education Policy (NEP) 2020, this work aims to scientifically evaluate research related to the 2020 NEP, performed from 2019 to 2022, as against the inefficient manual ways of evaluating bibliometric datasets. A scientometric approach was employed to analyze the bibliometric dataset extracted from the Scopus database with the aid of VOSviewer and R tools. Different stages and main themes of the NEP-2020 were identified. Moreover, the most prolific authors, highly contributing organizations, country contributions, and collaborations, as well as keyword analysis, were carefully evaluated. A total of 273 authors were identified to have contributed to the Indian NEP-2020, out of which 154 have at least 1 publication and a citation count. 91 out of the 233 contributing organizations have at least 2 citation counts, and the top contributing country is India, followed by the United States of America, Britain, Australia, Canada, and France. The findings of this analysis will give concise information about the trends of the 2020 NEP to researchers, the government, and the general public at large. The future scope of this work includes comparing the Indian education policy to that of other top developing and developed nations.
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 | 0,022 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,144 | 0,230 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».