Research Status and Development Trends of Experiential Learning in Music Education: A Bibliometric Analysis
Notice bibliographique
Résumé
A global commitment has been observed toward the incorporation of experiential methodologies into education. Experiential learning strategies have been increasingly integrated into classrooms across various educational levels, and their use has been recognized as a core competency for educators (Council of Europe, 2018). The primary aim of this study is to analyze academic research concerning the application of experiential learning in music education. A sample was obtained from the Web of Science Core Collection, encompassing publications from January 1, 2014, to July 20, 2025. Multiple bibliometric tools, including GraphPad Prism v8.0.2, CiteSpace (6.2.4R), and VOSviewer (1.6.18), were employed to examine publication trends, relevant journals and authors, geographic distribution, keywords, and emerging research themes. The study analyzed 817 relevant publications spanning 76 countries and regions, 1,140 institutions, and 2,865 authors. The analysis demonstrated that (1) publication volume has shown a consistent upward trajectory, accelerating post-2019 with a peak anticipated in 2024; (2) the United States has led in both publication count (310, 37.94%) and citation frequency (5,111), followed by China; (3) the Journal of Chemical Education has been identified as the most prolific journal; and (4) research focal points have shifted from foundational topics such as categorization and integrated learning development to contemporary themes including active learning and concept drift. Looking ahead, two prominent areas of focus are anticipated to involve the integration of artificial intelligence and neural networks in music education, and the amalgamation of experiential learning with innovative pedagogical strategies.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,133 | 0,070 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».