Game Marketplace Research Trends: A State of the Art Bibliometric Analysis
Notice bibliographique
Résumé
This study examines research patterns in the game marketplace as a crucial factor for achieving success in the gaming industry.This research utilized a bibliometric analysis of 1000 publications obtained from Scopus from 1973 to 2025.The bibliometric examined notable trends and collaborative trends in gaming marketplace research within the business domain.Additionally, supporting analyses like annual contributions, three-field analysis, temporal source production, contributing countries, word clouds, clusters, networks, and theme evaluations are integrated to augment the comprehension of the current status of gaming marketplace research.The bibliometrics indicate that the study trends in the game marketplace for 2024 are linked to supply chain management, blockchain, marketplaces, e-commerce, and commerce platforms.There has been a consistent increase in the game marketplace research since its initial identification.The examined countries, including the USA, China, the UK, India, and Canada, represented the top five nations in scientific production related to gaming marketplace research.Indonesia ranks seventh in terms of scientific production.The most prevalent keywords in the word cloud are game theory, commerce, electronic commerce, sales, competition, and others.This study theme discovered ten prominent cluster networks.The most prominent thematic map identified pertains to automotive themes.This investigation verifies the persistence of research trends and trajectories inside the game marketplace.This approach aids both researchers and the gaming industry identify and leverage pertinent research advantages.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,030 | 0,164 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».