A scientometric analysis of music therapy in pediatrics settings globally: Research trends, collaboration networks, and emerging topics (2000–2024)
Notice bibliographique
Résumé
Music therapy (MT) has emerged as an effective non-pharmacological intervention for enhancing emotional regulation, social communication, and neurocognitive function in children. This study provides the first comprehensive scientometric analysis of global MT research trends in pediatric settings. Analyzing 1,383 publications from Web of Science, we employed co-citation networks, keyword clustering, and burst detection to: 1) map international collaboration networks, 2) track thematic evolution, and 3) identify emerging frontiers. Results reveal exponential growth since 2010, peaking in 2022, with the U.S., U.K., and Australia as leading contributors. Core research clusters focus on autism spectrum disorder, pediatric anxiety, and pain management, while cutting-edge domains include AI-assisted MT, computational modeling, and neuroplasticity-based interventions. The field shows a paradigm shift from generalized approaches to precision therapies, particularly in pediatric oncology, neonatal care, and neurodevelopmental rehabilitation. Key institutions like Aalborg University and University of Toronto anchor collaborative networks. This analysis not only delineates the intellectual structure of pediatric MT research but also provides empirical guidance for future studies, clinical applications, and cross-disciplinary innovation in this rapidly evolving field. The findings highlight MT's growing scientific validation and its transition toward technology-integrated, evidence-based practices in child healthcare.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,010 | 0,046 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».