Diş Hekimliği Müfredatıyla İlgili En çok Atıf Alan 50 Yayının Bibliyometrik Analizi
Bibliographic record
Abstract
Amaç: Bu çalışmanın amacı, diş hekimliği müfredatı ile ilgili literatürde yer alan en çok atıf alan en etkili 50 yayını bibliyometrik yöntemler kullanarak analiz etmektir. Çalışmada, yayınların ülkelere göre dağılımı, en sık kullanılan anahtar kelimeler, en çok atıf alan dergiler ve bu alandaki en etkili kurumlar belirlenerek diş hekimliği eğitiminde araştırma eğilimleri ortaya konulmuştur. Gereç ve Yöntemler: Web of Science’da "curricu*" (Topic) ve "dent*" (Topic) ve Article ya da Review Article ya da Proceeding Paper ya da Early Access (Document Types) araması gerçekleştirilmiş ve toplamda 4362 yayına ulaşılmıştır. Yayınlar atıf sayısına göre sıralanmış ve konu ile ilgili ilk 50 yayın tespit edilmiştir. Bulgular: Veri setindeki hatalar Microsoft Excel kullanılarak düzeltilmiş ve ardından VOSviewer ve Bibliometrix programları aracılığıyla bibliyometrik analiz gerçekleştirilmiştir. En fazla yayın yapan (16 makale) ve en fazla atıf alan ülke (3232 atıf) ABD olmuştur. En sık kullanılan anahtar kelime "dental education" (12 kez) olurken, en fazla yayına sahip dergi (6 makale) Journal of Dental Education olmuştur. Literatüre en fazla katkı sağlayan üniversite (3 makale, 1621 atıf) Toronto Üniversitesi olarak öne çıkmaktadır. Sonuç: Bu bibliyometrik analiz ile elde edilen bulgular, diş hekimliği eğitimine yönelik araştırmaların mevcut eğilimlerini ve gelecekteki potansiyel araştırma alanlarını anlamak açısından önemli ipuçları sunmaktadır. Anahtar Kelimeler: Diş hekimliği eğitimi, diş hekimliği öğrencileri, müfredat
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 | 0.006 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.010 | 0.015 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.075 | 0.017 |
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".