Bibliometric Analysis of International Studies on the Concept of Fintech
Bibliographic record
Abstract
Fintech son on yılda fazlaca çalışmaya başlanmış bir konu olmakla birlikte farklı disiplinlerde de yer etmeye çalışmaktadır. Türkçe literatürde Fintech (Fintek) ile ilgili bibliyometrik bir analiz bulunmamaktadır. Analiz için Web of Science veri tabanından yararlanılmıştır. Web of Science’ta “title” seçilmiş, “fintech” anahtar kelimesi ile tarama yapılmıştır. Veri tabanında bulunan tüm kategoriler, diller, belgeler, yazarlar, yayımcılar, yayın başlıkları ve indeksler araştırılmıştır. Bunun sonucunda bulunan 1081 araştırmanın tümü dahil edilmiştir. 1081 çalışmanın bibliyometrik analizini yapabilmek için VOSviewer 1.6 18. versiyonundan yararlanılmıştır. Sırasıyla birlikte oluşum, anahtar kelimeler ve alıntılar kullanılmıştır. Bu çalışmanın amacı Web of Science veri tabanında bulunan; Fintech ile ilgili yapılan araştırmaları bibliyometrik analiz yöntemi ile araştırıp ortaya çıkarmaktır. Sonuçlara bakıldığında Web of Science veri tabanındaki ilk yayın 2015 yılında yayınlanmıştır. En çok yayın 2022 yılında (307) yapılmıştır. Fintech alanındaki en fazla doküman türü makale (848)’dir. En yaygın Fintech kategorisi 306 yayın sayısı ile iş finansıdır. En çok yayın ingilizce dilinde (1066) yapılmıştır. Dizin olarak en fazla Social Sciences Citation Index (SSCI) (477) kullanılmıştır. Ortak yazarlık açısından yazarlara göre en fazla belge (9) Arner, Douglas W.’ya aittir. Ortak yazarlıkta üniversiteler bazında en yüksek alıntı sayısına sahip üniversite New York University (455), ortak yazarlıkta ülkeler açısından ise en fazla belgeye sahip ülke Çin (262)’dir. Fintech ile ilgili yapılan çalışmalarda bağlantı gücü en yüksek kelime Fintech (576), en fazla alıntı yapılan belge Gomber 2018b (361)’ye aitken; en çok alıntı yapılan kaynak 412 alıntı ile Technological Forecasting and Social Change Journal of Management Information Systems’tir. Üniversitelere bakıldığında en fazla alıntı yapılan üniversite New York University (455)’dır. Son olarak en fazla alıntı yapılan ülke 3546 alıntı ile Çin’dir.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.110 | 0.310 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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; both teacher heads agree on what is shown here.
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".