Global trends and hotpots in standardised patients research in the last 30 years: A bibliometric analysis
Notice bibliographique
Résumé
Background: The research trends regarding standardised patients(SPs) in the education of health professions students have not been systematically studied. Methods: All published literature on SPs from January 1994 to January 2024 in Web of Science was screened by two reviewers. Bibliometric analysis and knowledge mapping visualisation analysis were performed using Cite Space software. The country, institution, journal, keyword co-occurrence, and keyword emergence were visualised. Result: A total of 3259 records were analysed. The amount of relevant literature in the past 30 years showed an upward trend involving 109 disciplinary categories, with the United States dominating. The five central research teams were from the United States and Canada. Nursing education is increasingly using SPs, especially in advanced nursing practice. As for the hotspot and trend analysis, the results indicate that there is still continuous attention to the impact of applying standardised patients on improving the communication ability, competence and performance of medical students. Additionally, there is a growing interest in exploring the application of visual simulation or artificial intelligence in standardised patient-related research. Conclusions: Research on SPs' has received continued attention. To cater to the diverse requirements of education and clinical context, there is a need for further exploration of SPs utilisation. AI-relevant SPs might be a new alternative for various scenarios in the future.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,113 | 0,355 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».