Bibliometric analysis on machine learning in climate change article during ten years
Notice bibliographique
Résumé
This research used bibliometric method to calculate scientific productivity of corresponding author, first author, affiliation, and correspondence country for machine learning in climate change articles on SCOPUS database from 2015 to 2024. Moreover, spatial simulation of country output is displayed by geographic information system, showing distribution of scientific productivity in each country on the world. Total 4,406 articles are analyzed and simulated, they indicated that research productivity has increasing trend and increases sharply from 2021 to 2024 year with 528 to 1239 articles. Y. Wang correspondence author is 1st ranking and the most research output with 19 articles, including 12 articles in China, 1 article in Finland, and 6 articles in United States. Almost authors publish strongly from 2022 to 2024 with high output as Y. Wang, J. Li, Y. Li, J. Yin, and J. Chen correspondence authors. Y. Zhang first author has the most scientific output with 16 articles and 1st ranking, concluding 13 articles publish in China, 2 articles in Canada, and 1 article in Singapore. Publication of affiliation increases strongly from 2021 to 2024 year and Department of Civil Engineering has the most publication with 97 articles in 20 countries, 1st ranking. China has the most publication in 2015-2024 with 1148 articles, 1st ranking in correspondence author. Publication in countries is increased strongly from 2020 to 2024 year and from 2021-2024, the whole countries have publication at all.
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 | 0,005 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,069 | 0,104 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».