Akademik Liyakat: VOSviewer ile Bibliyometrik Bir Haritalama Analizi ve İçerik Analizi (WOS Örneği)
Notice bibliographique
Résumé
This study was conducted to create a general profile of academic studies on academic merit. For this purpose, bibliometric data of different types of studies published between the years 1983 and 2024 scanned in the Web of Science (WOS) database were used. The data set was created by searching with the keyword “academic merit”, which is the English translation of the concept of “academic merit”, in the “full record” by determining the search criteria “topic”. In the findings obtained,, 112 scientific studies that met this criterion were analyzed according to the year of publication, index, number of citations, WOS categories, publication language, and most influential author collaborations and keywords. According to the findings, it is seen that most of the studies were written in 2016-2018, most of the studies are journals indexed in the Social Sciences Citation Index (SSCI), and the highest number of citations belongs to Krefting (2003) with 117 citations, according to the WOS category, most of the studies were conducted in the field of educational research. Most of the publications were made in the English language. However, in VOSviewer software, it was found that “academic merit”, “university”, and “research” were the most frequently used common keywords, the authors with the highest number of collaborations were five authors with a link strength of 8 with 17 citations for 2 studies, and the most influential countries were “USA”, “Canada” and “Austria”. Keywords: Merit, Academic Merit, Bibliometric Analysis JEL Codes: M10, M12, M14
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,036 | 0,035 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 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) | 0,014 | 0,003 |
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 ».