Emerging Research Trends in Experiential Learning in Higher Education: A Scopus Database Bibliometric Analysis
Notice bibliographique
Résumé
This study aims to map global research developments on experiential learning (EL) in higher education by employing a bibliometric approach. Experiential learning has gained increasing attention as a transformative pedagogy that connects theoretical understanding with real-world application. Research data were collected from the Scopus database for the years 2023–2025 and analyzed using VOSviewer and Biblioshiny to examine publication trends, citation patterns, author productivity, and thematic clusters. The findings reveal a sharp and consistent increase in EL-related publications worldwide, with the United States, Canada, and the United Kingdom emerging as the most productive countries, while Southeast Asia—particularly Indonesia—shows relatively limited contributions. The analysis also identifies several emerging thematic clusters, including the integration of EL with immersive technologies such as artificial intelligence, virtual reality, and the metaverse, as well as applications in service learning, entrepreneurship education, and authentic assessment. The novelty of this study lies in its focused examination of the 2023–2025 publication period, capturing the latest global trends shaped by digital transformation and sustainability agendas. Practically, the results highlight the need for stronger institutional and policy support to systematically embed EL within higher education curricula. Overall, this study contributes to strengthening evidence-based, student-centered learning and informs future research opportunities in experiential education.
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 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,196 | 0,297 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».