Scholarly Trends and Rankings in Mechanical Engineering and Heat Transfer: A Global Analysis of Impact and Influence
Notice bibliographique
Résumé
Abstract Data generated using artificial intelligence and reported by the ScholarGPS® ranking platform are used to reveal unique scholarly trends including the impact and influence of Mechanical Engineering (ME) and Heat Transfer research. Publication and citation histories for both ME and Heat Transfer are presented for 1970–2023. A breakdown of publications is provided such as the percentage of ME publications that deal with Heat Transfer, and the percentage of Heat Transfer publications authored by ME scholars. Based on the productivity (archival publications), impact (citations), and quality (h-index) of individual scholars, the influence of countries, in both ME and Heat Transfer, is reported. Countries with growing, decreasing, and emerging influence in the last five years are identified. Top-ranked scholars and academic (and, separately, non-academic) institutions are listed for both ME and Heat Transfer. Based on their lifetime work, the world?s Top 20 Highly Ranked ScholarsTM in both ME and Heat Transfer are identified. In general, it is found that the United States and Canada, along with other developed nations have suffered significant declines in their influence in both ME and Heat Transfer research. In contrast, China, India, Iran, and other developing countries have increased their scholarly influence in both ME and Heat Transfer. University rankings follow similar trends. The methodologies used to identify the preceding trends are described in detail, so that studies of any of the 14 Fields, 177 Disciplines, and 350,000 Specialties covered by ScholarGPS can be conducted by other individuals and organizations.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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; un appel candidat d’une seule tête enseignante, 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 ».