Trends and Maps of Research Collaboration on Teacher Digital Literacy and Student Digital Citizenship: Bibliometric Analysis
Notice bibliographique
Résumé
This study aims to identify trends, main topics, and patterns of scientific collaboration in the study of teachers' digital literacy and students' digital citizenship. Using bibliometric methods, this study analyzed scientific publications obtained from the Scopus database during the period 2016–2025. The data collected includes information about titles, authors, year of publication, keywords, affiliations, and journal sources. The analysis was conducted using VOSviewer software to map collaboration networks between researchers and between countries, as well as identify keywords that frequently appear in related publications. The results of the study show that teachers' digital literacy is a topic that has experienced a significant increase, especially since 2020, in line with the increasing need for digital learning during the pandemic. Meanwhile, studies on student digital citizenship are still relatively few but show a steady upward trend. The most frequently appearing keywords include "digital literacy", "digital citizenship", "teachers", "students", and "digital competence". Collaboration between countries is dominated by the United States, followed by countries such as the United Kingdom, Canada, China, and Australia. Indonesia began to engage in collaborative networks, albeit on a limited scale. This study provides a comprehensive overview of the direction and development of research, as well as identifying opportunities for further study in the field of digital literacy and digital citizenship in the context of 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,127 | 0,222 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,019 | 0,007 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».