The Evolving Landscape of Collaborative Writing in Literacy Education: A Systematic Bibliometric Review (2016-2025)
Notice bibliographique
Résumé
This study aims to explore the global landscape of research on Collaborative Writing in Literacy Education through a systematic bibliometric analysis. Using 364 Scopus-indexed publications from 2016 to 2025, the study maps trends in publication growth, influential authors, productive countries, and thematic evolution. Data were collected through a TITLE-ABS-KEY search with the keywords “collaborative writing” and “literacy” and analyzed using Microsoft Excel, VOSviewer, and Biblioshiny. The results indicate a steady increase in scholarly output, with the United States, United Kingdom, and Canada as dominant contributors, and emerging research from China, Indonesia, and Australia. The most active authors, including Ann Hill Duin and Isabel Pedersen, advanced studies on digital and academic literacy integration. Thematic mapping identified digital literacy, academic writing, and teacher education as core areas, while AI-assisted writing and critical literacy represent emerging trends. The study’s novelty lies in providing a comprehensive bibliometric synthesis that integrates thematic, co-authorship, and keyword analyses to reveal intellectual linkages and future directions. Practically, it guides educators and policymakers in adopting collaborative and technology-enhanced pedagogies that foster critical, digital, and reflective literacy. This study contributes to a deeper understanding of how collaboration transforms literacy learning in a digitally connected world.
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 | 0,068 | 0,219 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,162 | 0,159 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».