Large Language Models in Transportation: A Comprehensive Bibliometric Analysis of Emerging Trends, Challenges, and Future Research
Notice bibliographique
Résumé
This paper presents a comprehensive bibliometric analysis of Large Language Models (LLMs) in transportation, exploring emerging trends, challenges and future research. Understanding their evolution and impact in transportation research is essential. The study used Scopus as the primary data source, applying Bibliometrix, VOSviewer, and Python for performance analysis and science mapping. This study analyzes 161 peer-reviewed articles and reveals a 25.74% annual growth in scholarly output.IEEE Transactions on Intelligent Transportation SystemsandIEEE Transactions on Intelligent Vehiclesemerge as the most influential journals by publication volume and impact on LLM research. The findings highlight global disparities in research contributions, with China and the United States dominating by publication volume, followed by Germany and Canada, while developing regions exhibit lower scientific productivity. In addition, the study provides qualitative insights by reviewing recent LLM applications in transportation, examining their key contributions, methodological approaches, inherent limitations, and domain-specific challenges. Key research themes focus on autonomous mobility, traffic optimization, and sustainable transportation networks. Despite significant progress, several challenges remain, including decision-making uncertainties, computational scalability, and high energy consumption. Overcoming these challenges requires greater transparency through causal learning, enhanced reasoning via hybrid AI models, and inclusive frameworks that address algorithmic bias and ensure equitable adoption.
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 | 0,020 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,063 | 0,124 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,013 | 0,018 |
| Science ouverte | 0,002 | 0,004 |
| 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 ».