Bibliometric analysis : Green chemistry trends and issues in chemistry education from 2019 to 2024
Notice bibliographique
Résumé
This study analyzes green chemistry research trends in chemistry education. This study used a quantitative bibliometric approach. The number of publications analyzed is 104 publication documents from 2019 – 2024. This research collects, processes, and filters information in Scopus journals and articles. Metadata results show that the distribution of publication frequency peaked in 2019, with 26 documents identified. The green chemistry research area is dominated by chemistry research (31.3%). The country with the most documents and the most productive in publishing green chemistry is the United States, with 30 papers identified. At the same time, Indonesia is ranked fifth as the most productive country in publishing green chemistry, with 10 documents identified. Canada ranked second with 17 papers, and Germany ranked third with 15 documents. The institutions that contributed the most came from Germany: the University of Bremen, with 11 papers 10.58%, and the University of Toronto with 8 documents (7.69%). The authors with the most citations are Chen Tse-Lun et al., with 245 citations. Meanwhile, when viewed from the number of documents published by the author, Eilks I. has 11 papers with a contribution of 4.91%. There are 5 clusters with the most popping keywords: green chemistry, human, and chemical reaction. Research and publications on this topic have been sparse in the past five years. Surveys and analyses of green chemistry literature are essential because tracking research trends in green chemistry in chemistry education is vital to directing 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 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 | 0,007 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,078 | 0,150 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».