Trends in Research Publication Topics Related to Artificial Intelligence for Medicine in Medical Education: A Bibliometric Analysis
Notice bibliographique
Résumé
This bibliometric analysis aims to explore the trends in research publication topics related to Artificial Intelligence (AI) for medicine in medical education over the last five years (2019-2023). By synthesizing data from a variety of scholarly articles, this study seeks to identify key themes, emerging areas of interest, and research trends within this specific domain. The research question focuses on understanding the evolution of research topics in AI for medicine in medical education, while the objective is to conduct a comprehensive analysis using bibliometric techniques. Data selection from the Scopus database yielded a total of 389 documents from 290 sources. There are 1889 Authors, with author collaboration points on Co-Authors per Doc of 5.11. Regarding the quantity of published documents, the USA, China, and Canada have the highest documents. The software employed for bibliometric analysis were R and VOSviewer. By leveraging bibliometric analysis, this research aims to address the existing gap in the literature and provide valuable insights for researchers, educators, and practitioners interested in AI applications in medical education. The present solution exploration will offer recommendations for future research directions and priorities within the field, contributing to the advancement of knowledge and practice in the integration of AI technologies in medical education.
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 | 0,011 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,160 | 0,213 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 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) | 0,003 | 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 ».