Unveiling two decades of environmental policy research trends: topic modeling-based machine learning insights
Notice bibliographique
Résumé
Purpose The study aims to analyze and report on key research trends within the environmental policy (EPOL) discipline, focusing on identifying important topic areas and highlighting the theoretical concepts and analysis methods that policy scholars should prioritize. By exploring these aspects, the study seeks to enhance policy effectiveness in addressing environmental challenges. Design/methodology/approach The study uses a content analytics approach, employing the Latent Dirichlet Allocation (LDA) model to identify research hotspots. The LDA model analyzes research trends across 2 decades (2000–2019), based on a dataset of 33,683 abstracts from 30 peer-reviewed journals focused on EPOL research. This methodology enables a comprehensive examination of emerging topics within the discipline. Findings The analysis identifies 40 significant research topics within the EPOL literature. Key findings highlight the increasing focus on niche areas such as climate change resilience, food security, renewable energy, urban spatial planning and ecosystem services. These trends reflect a shift towards more specialized and targeted policy issues within the broader field of EPOL. Originality/value This study provides a novel contribution to EPOL scholarship by offering a quantitative, data-driven analysis of research trends over the past 2 decades. The use of the LDA model for profiling research hotspots introduces a new perspective on how to systematically track and synthesize emerging EPOL topics. The findings have the potential to inform future research and policy development by fostering a more integrative understanding of the field.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».