Machine Learning in Safety and Health Research: A Scientometric Analysis
Notice bibliographique
Résumé
Safety and health are intricately interwoven and have become indispensable to the thriving business world and anthropology. It is concerned with ensuring employees’ physical, emotional, and mental well-being. Based on the Scopus and Web of Science databases, the current study intends to analyse the global research output on machine learning in safety and health. This study utilized ScientoPy and VOSviewer to delve into the annual growth, patterns of research communication on source titles, international collaboration among countries, and authors’ keyword analysis. This study found that the Web of Science database tracks the evolution of publications throughout time. PLoS One has surpassed all other source titles in terms of publishing activity. Also, this study indicated that US researchers are constantly working on machine learning in safety and health research and have developed significant collaborations with China and Australia. Between 2020 and 2021, the University of Toronto published 86% of all papers, outpacing other institutions. The keywords “machine learning”, “artificial intelligence”, “electronic health records”, “deep learning”, and “mental health” were the most popular and trending keywords in 2020 and 2021, and “artificial intelligence” appeared in most publications among others. Future researchers should conduct scoping or systematic literature reviews to elucidate the relationships between these terms. This study may entice the curiosity of practitioners and researchers to advance new knowledge in this field by being devoted to cutting-edge research in the contemporary philosophy of science, cognitive, and cultural anthropology on machine learning in safety and health research. In conclusion, this scientometric analysis demonstrates that machine learning in safety and health is a study domain that requires further refinement in future research, as this technology has the potential to significantly improve workplace safety and health through targeted applications with clear benefits.
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 | 0,053 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,199 | 0,308 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».