Online Learning in Civic Education Research Trend: A Bibliometric Analysis
Notice bibliographique
Résumé
Online learning in civic education (OLCE) has been going on since the 2000s. It has become an increasingly interesting topic in light of recent technological advances and emergencies, and it contributes to improving the quality of learning processes and outcomes. This study aimed to track the publication trends of OLCE in the Scopus database (2005–2024). The method used was bibliometric, with VOSviewer software analysis. The investigation found 123 documents, half of which were articles, and the rest distributed among conference papers, book chapters, conference reviews, books, and notes. These publications were written by 320 authors from 39 different countries and used nearly 800 keywords. The number of OLCE publications increased significantly in 2021 and reached its highest peak in 2024. VOSviewer analysis showed that civic education was connected to the keywords “online learning” and “e-learning” in the case of large nodes and close distances. However, other strategic keywords, such as “MOOC,” “digital citizenship,” “artificial intelligence,” and “social media” were detected in small nodes and far distances. The keyword “global citizenship education” was not directly connected; even “ChatGPT,” the most influential OpenAI today, was not seen at all. This could mean that the development of several strategic keywords would make for a potential research study in future. This research provides new insights for researchers and institutions involved in OLCE publication mapping for future development.
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 | 0,007 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,127 | 0,176 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| 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 ».