Neuroeducación en la era digital desde el prisma de la literatura científica en Web of Sciences
Notice bibliographique
Résumé
Introduction: Neuroeducation, understood as an interdisciplinary field aimed at optimizing teaching–learning processes, has gained relevance in the so-called digital era. In this context, accelerated technological transformations demand systematized evidence to support the implementation of innovative educational methodologies. Objective: To characterize the scientific production indexed in Web of Science on neuroeducation in the digital era during the period 2000–2024. Method: A descriptive and cross-sectional bibliometric study was conducted using thematic searches with Boolean operators [TS=("neuroeducat*" OR "brain-based learn*") AND TS=("digital" OR "online" OR "virtual")]. The results were processed with Bibliometrix and TALL in R, analyzing indicators of annual production, citation, co-authorship, internationalization, most productive countries, co-occurrence of core terms, and thematic polarization. Results: A total of 283 publications were identified, showing an annual growth rate of 17.08%, consolidating a positive linear trend. The average co-authorship was 3.01 authors per document, with an internationalization rate of 17.31%. Spain leads the production (63.96%), followed by the United States (20.85%) and Canada (17.31%). Semantic analysis revealed six thematic clusters: digital technologies, cognition and neuroscience, educational policies, learning environments, outcome assessment, and research methodologies. Thematic polarization showed a positive predominance, with more than 74% of studies considering neuroeducation as an innovative and promising approach. Conclusions: Neuroeducation in the digital era emerges as a growing field in terms of scientific production, which still requires further research to provide solid evidence supporting its suggested 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».