Faculty engagement and artificial intelligence: Bibliometric analysis and recent trends
Notice bibliographique
Résumé
This paper presents a bibliometric investigation of research linking faculty engagement and artificial intelligence (ai) over the period 2014–2025, using scopus as the primary data source. Analytical tools, including vosviewer, were employed to trace publication growth, citation trends, and collaborative networks, as well as to uncover intellectual foundations and thematic developments. The results indicate a sharp increase in scholarly attention after 2020, with the years 2023–2025 marking the highest levels of research activity. Countries like the united states, united kingdom, canada, india, and china emerged as leading contributors, while brazil demonstrated notable impact through highly cited publications despite fewer outputs. Key contributions from scholars including borges, braganza, and koo provided pivotal theoretical grounding for subsequent studies. Thematic clustering revealed that research in this area has expanded from early discussions of technological adoption to broader concerns involving pedagogy, institutional leadership, workload distribution, ethical considerations, and the gigification of academic roles. Although the study is limited by its reliance on a single database and the dynamic nature of citation metrics, it offers novel insights by systematically integrating two fields that have rarely been examined together. The originality of the study lies in mapping how ai is shaping faculty engagement in higher education and in identifying knowledge gaps that open pathways for future interdisciplinary and practice-oriented research.
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 | 0,012 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,100 | 0,217 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».