Hot issues and frontier fields of youth sports literacy
Notice bibliographique
Résumé
To accurately grasp the forefront hotspots and developmental trends in current research on youth sports literacy, we employed the “Web of Science” core collection database to gather 432 relevant literature pieces pertaining to “youth sports literacy”. Using the CiteSpace analysis software and leveraging methodologies such as scientific knowledge mapping, we systematically reviewed and synthesized the literature, ultimately constructing a knowledge structure map that illustrates the research hotspots and cutting-edge trends. The findings of this study reveal that research on youth sports literacy is predominantly concentrated in developed countries and regions such as the United States, Australia, and Canada. The definition and conceptualization of sports literacy represent the fundamental research questions. Research hotspots are primarily clustered around three major themes: Youth sports literacy in relation to public health, physical education, and mental well-being. The emphasis on research frontiers varies across different periods: The period from 2007 to 2012 reflects a focus on psychological promotion; 2013 to 2018 emphasizes holistic physical and mental well-being promotion; and 2019 to 2022 represents a phase centered around health promotion. Overall, a trend towards integrated research in youth sports literacy is evident. The wealth of knowledge clusters and impactful research achievements have laid a robust foundation for the study of youth sports literacy.
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 | 0,024 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,041 | 0,037 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; 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 ».