English as a Foreign Language (EFL)Writing Instruction: A Review of Bibliometric Analysis
Notice bibliographique
Résumé
Writing instruction is a prominent topic in the field of English as a Foreign Language (EFL). Numerous studies have explored it from various perspectives. However, none has yet provided a bibliometric review of EFL writing instruction. To close the gap, a bibliometric review study was developed to gain insightful information on the current state and trends of EFL writing instruction as well as gaps that need addressing. The bibliometric approach in the current study used the tools--VOS viewer and SC Imago to analyze 2417 publications, which were derived from the Web of Science Database 2013-2024 and based on the criteria of the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). The extracted data were analyzed regarding the publications’ trajectory, countries, researchers, journals, and keywords. The main findings of EFL writing instruction’ current state was that, despite occasional fluctuations, annual publications in this field are increasing. Also, China and Iran emerged as the significant contributors and collaborators in the field, whereas Africa produces and collaborates the least. Furthermore, researchers from Asian countries produced the most publications and gained the most citations, as well as journals with the most publications and the highest citations came from two countries, namely the United States as well as the United Kingdom. The research trend shifted from the topics including "professional development," "beliefs," and "CLIL” to "virtual reality," "COVID-19," "blended learning," "writing performance," and "engagement". Future studies should perform in-depth bibliometric analyses from perspectives of bibliographic coupling as well as intellectual structure.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,046 | 0,022 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».