Mapping nine decades of research integrity studies (1935–2024): A scientometric analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Research integrity is fundamental to responsible research practice. Despite attention, the intellectual structure and evolution of this field remains underexplored. This study maps the knowledge landscape of research integrity, identifying key themes, contributions, and trends. METHODS: A scientometric analysis was conducted on 6,895 records from Web of Science and Scopus (1935-2024). CiteSpace facilitated network analysis, including co-authorship, keyword co-occurrence, and co-citation patterns, while burst detection identified topics. RESULTS: Research integrity studies have grown significantly since the 1980s, with interdisciplinary collaboration. Keyword and co-citation analyses reveal a shift from early discussions on scientific misconduct to concerns such as open science, AI ethics, and research governance. A collaboration network has emerged, with leading contributions from North America, Europe, and Asia. CONCLUSIONS: Research integrity has matured into an interdisciplinary field, reaching academic consensus with growing integration of policies, regulations, and technology. Future research is expected to focus on AI's role in research integrity. Key areas of concern include algorithmic bias, automation ethics, and implications for scholarly publishing. Open science and transparency will remain central, particularly in addressing data fabrication, paper mills, and predatory publishing. Institutional policies will continue evolving, embedding integrity principles into governance and public engagement initiatives.
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.
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 | 0,148 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,015 | 0,095 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle