MAPPING THE LANDSCAPE OF SCIENTIST-SCHOOL PARTNERSHIPS IN STEM EDUCATION: A BIBLIOMETRIC ANALYSIS
Notice bibliographique
Résumé
Scientist-School Partnerships (SSP) in Science, Technology, Engineering, and Mathematics (STEM) education have garnered increasing attention as a transformative model. It seeks to enrich science teaching, foster authentic inquiry, and bridge formal education with scientific practice. However, despite the growing implementation of such collaborations, a comprehensive overview of global research trends, influential contributors, and thematic directions remains limited. This bibliometric analysis aims to map the scholarly landscape of SSP in STEM education, identifying research patterns, dominant countries, institutions, and evolving themes. Using a structured search strategy in the Scopus database, we applied a keyword combination of "scientist," "school," "partnership," and "STEM education," yielding a total of 1,054 documents. Data were refined and standardized using OpenRefine to ensure consistency and eliminate redundancies. Quantitative analyses were performed using Scopus Analyzer, while network visualizations and co-occurrence maps were generated with VOSviewer to identify keyword clusters and author collaboration networks. Results indicate that the United States (US) leads in research output and citation impact, followed by the United Kingdom (UK), Canada, and Australia. Thematic mapping reveals core research domains centered on inquiry-based learning, science communication, professional development, and interdisciplinary curriculum integration. Furthermore, the collaboration patterns demonstrate a concentration of contributions from high-income countries, with emerging participation from Latin America and Asia. This study contributes a systematic bibliometric perspective to the literature, offering insights into current knowledge structures and gaps. In addition, the findings underscore the significance of expanding inclusive international collaborations. This is particularly relevant in supporting underrepresented regions and suggests future research directions focusing on sustainable models of scientist-school engagement that are contextually and culturally relevant.
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 | 0,015 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,166 | 0,248 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 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 ».