ASSSESING UNIVERSITYS’ POPULARITIES OF UNİVERSITY RANKINGS BY USING GOOGLE TRENDS
Bibliographic record
Abstract
Amaç: Bu araştırmada, dünya sıralamalarında; önemli olan kriterlerin ortaya konulması, aranma hacminin kıyaslanması ve sıralamaların popülerliğinin Google Trends verileri kullanılarak araştırılması amaçlanmıştır. Yöntem: Çalışmada dünya sıralamalarının popülerliği ve bilinirliği için Google Trends verileri kullanılmıştır. Google Trends ten verileri elde edilirken "dünya genelinde", "son 12 ay", "tüm kategoriler" ve "google web arama" kategorileri seçilerek dünya sıralamalarının arama ilgisine bakılmıştır. Ayrıca bu kapsamda URAP, ARWU, CWUR, CWTS-Leiden, NTU, QS, RUR, US News, SCImago-SJR, THE ve Webometrics web sayfalarında yer alan 2022 yılında yayımladıkları sıralama ölçütleri incelenmiştir.Bulgu: Bu araştırmada dünya sıralamalarının Google Trends üzerinde yapılan veri ve gösterge gibi ölçütler üzerine değerlendirme yapılmıştır. THE dünya genelinde 70 bölge üzerinde, QS 69 bölge ile popülerlikte ön sıralarda yer almaktadır. Bunu US News 31 bölge, Webometrics 15 bölge ve ARWU 12 bölgeyle takip ederek bilinirliğini gözler önüne sermektedir. URAP 11 bölge, SJR on bölge, CWUR sekiz bölge, Leiden Üniversitesi yedi bölge, NTU altı bölge ve son olarak RUR üç bölgede dünya kapsamında aranması gerçekleşmiştir. Ayrıca Google Trends aranma hacmi neticesinde elde edilen bulgularda görülüyor ki; farklı dünya sıralamasını kullanan bölgelerin ABD, Hindistan olduğu; THE, QS, US News, Webometrics, ARWU sıralamalarını, Kanada'nın THE, QS, US News, ARWU sıralamalarını, Almanya, Çin ve Türkiye'nin THE, QS, US News sıralamalarını, Rusya'nın ise THE ve QS sıralamalarını sık olarak kullanımda yer aldığı ve popüler olduğu görülmektedir.Sonuç: Araştırma sonucunda; popülerliği ve bilinirliği en yüksek olandan sırasıyla THE, QS, US News, Webometrics, ARWU, URAP, SJR, CWUR, CWTS-Leiden, NTU ve RUR gibi önde gelen sıralamalarda bazılarının güçlü bir şekilde bibliyometrik verilere dayandığını ve yüksek benzerliklerinin bulunduğu görülmektedir. Dünya sıralamaları ölçütlerinde araştırma, öğretim ve alıntılara ağırlık verilmekte; aynı zamanda uluslararası görünüm, itibar anketi, alıntılar, akademik mükemmellik ve endüstriyel iş birliği ölçümleri de kapsamlı bir şekilde yer almaktadır. Ayrıca popüler olan dünya sıralamalarının, yoğun nüfusa sahip ülkelerde daha fazla kullanıldığını sonucuna varılmıştır.Çıkarım: Sıralama ölçüt kriterlerinin esaslarını yerine getirmek üzere Google Trends popülerlik ve bilinirliğinde artış olması gerekmektedir. Bu nedenle yükseköğretim kurumları ulusların yetenek çekme kapasitesini kullanmak için sıralama yarışında yer almak istemektedir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.028 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.027 | 0.036 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".