The Trends of Differentiated Instruction Research: Bibliometric Analysis Spanning 1961–2023
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In educational research, differentiated instruction, or DI, is a popular subject. Staying up to date with its most recent advancements and frontiers open up new research avenues. This article analyzes developments and trends in differentiated learning using bibliometric analysis between 1961 and 2023. This research focuses on publications from 1961 to 2023, frequently cited keywords, authors who most frequently publish about DI, most frequently cited authors, journals that publish the most, countries that publish the most on DI topics. In the bibliometric analysis, a total of 842 articles were obtained, taken from the Scopus database. The findings indicated that : (1) 2021 marks the pinnacle of publication with 82 papers,(2) Differentiated Instruction, student, teacher, learning, e-learning have been the most popular search terms, (3) Davies et al. (2013), Valli and Buese (2007), Zhu Z (2016), Subban (2006), Reis et al (2011) these have been the papers that have been quoted the most, (4) Katrien Struyven, Marcela Pozas, Letzel, V author with the most number of publication, (5) International Journal of Inclusive Education, Teaching And Teacher Education, ASEE Annual Conference And Exposition Conference Proceedings are among the best journals, (6) Vrije Universiteit Brussel, Universiteit Gent, University of Virginia have been the leading universities, and (7) US, Belgium and Canada have been the leading nations in this sector. This paper is a valuable addition to the subject matter and gives a thorough summary, the scientific environment, and the subject’s future directions.
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.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,070 | 0,113 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle