Mapping case-based learning research from 2014 to 2024: a bibliometric and network analysis
Notice bibliographique
Résumé
Case-based learning (CBL) is a globally recognized pedagogical approach known for fostering critical thinking, collaborative problem-solving, and active engagement among learners. Despite its implementation across multiple educational levels and disciplines worldwide, the global research landscape of CBL remains underexplored. To address this gap, a comprehensive overview is needed to map the evolution of CBL research, delineate its geographical and institutional hubs, and identify dominant thematic areas. This study aims to map global research on CBL. We used the Preferred Reporting Items for Systematic Reviews and Meta-Analyses, bibliometrics, and network analyses to evaluate 883 articles indexed in the Web of Science Core Collection between January 2014 and August 2024. Our findings indicate a relevant increase in annual publications over time. The main author keywords are CBL, medical education, and problem-based learning. The main Research Areas are Education & Educational Research, followed by General & Internal Medicine, and Healthcare Sciences & Services. The United States, China, and Canada are the most productive countries, while the University of California, the University of Toronto, and Harvard University are the top organizations contributing to the field. This study provides a general understanding of the global research landscape on CBL, offering important insights for future studies and fostering research collaboration between organizations around the world.
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 | 0,023 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,219 | 0,269 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».