Charting Specific Paths: A Decade of English for Specific Purposes Research (2015-2024)
Notice bibliographique
Résumé
Research on English for Specific Purposes (ESP) has grown rapidly over the last decade, yet systematic mapping of its intellectual structure, thematic patterns, and global contributions remains limited. Despite the proliferation of studies on curriculum design, needs analysis, genre pedagogy, and technology-enhanced learning, there is still no consolidated overview that captures how ESP scholarship has evolved and where it is heading. To address this gap, this study applies bibliometric analysis to 381 publications on ESP indexed in the Web of Science Core Collection between 2015 and 2024. Performance analysis was employed to identify the most influential authors, journals, institutions, and countries; co-citation mapping was conducted to uncover foundational works and theoretical orientations; and keyword co-occurrence analysis was used to reveal emerging themes and research priorities. The findings indicate that five co-citation clusters – genre-based theory, curriculum design, data-driven instruction, English Medium Instruction (EMI) integration, and learner motivation – constitute the intellectual foundations of ESP. Meanwhile, co-occurrence analysis identifies five thematic clusters centered on learner-centered pedagogy, corpus-informed vocabulary learning, business and higher education contexts, digital integration, and needs-based instructional design. These results highlight the field’s transition from traditional linguistic concerns toward affective learner dimensions, technology-mediated learning, and transdisciplinary applications. By systematically mapping the ESP research ecosystem, this study contributes an evidence-based overview that benefits scholars, educators, and policymakers. It emphasizes ESP’s increasing institutionalization in higher education, its role in workforce preparation, and its alignment with Sustainable Development Goal 4 (Quality Education), thereby offering a roadmap for future research and practice.
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 | 0,014 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,027 | 0,038 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,011 | 0,012 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».