Scientometric Analysis of Technology-Enhanced Learning Research
Notice bibliographique
Résumé
This study presents a comprehensive scientometric analysis of Technology-Enhanced Learning (TEL) research from 2020 to 2024, examining publication trends, influential institutions and researchers, research themes, citation patterns, and geographical distribution. The analysis of 3,276 articles from the Lens database reveals a consistent growth in TEL publications, with journal articles dominating the landscape. The University of Melbourne, Auckland University of Technology, and the University of Hong Kong have emerged as leading institutions in TEL research. Notable researchers such as Hiroaki Ogata and Brett Bligh have made significant contributions to the field. The International Journal of Technology is a primary dissemination platform for TEL research. The thematic analysis identifies simulation, virtual reality, and e-learning as central topics, with an emerging interest in gamification and educational robotics. The study highlights the interdisciplinary nature of TEL, spanning computer science, psychology, and mathematics education. Citation network analysis reveals influential works, particularly Chrysi Rapanta’s 2020 study, which has shaped subsequent research trajectories. Geographically, research activity is concentrated in North America, Europe, and Asia, with potential for growth in Africa and South America. A positive trend towards open-access publications suggests increasing accessibility of TEL research. This scientometric analysis provides valuable insights into the current state and future directions of TEL research, emphasizing the need for cross-institutional collaboration and addressing global educational challenges through technological innovation balanced with sound pedagogical principles.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,011 | 0,022 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».