Base de datos para Aprendizaje motor en las ciencias del movimiento humano: un análisis bibliométrico
Bibliographic record
Abstract
El aumento de la producción científica en diversas áreas del movimiento humano brinda la oportunidad de realizar estudios bibliométricos en el área de aprendizaje motor. El objetivo del presente estudio fue sistematizar la información publicada en el área de aprendizaje motor entre los años 2000 y 2024, por medio de un análisis bibliométrico. Se seleccionaron 570 estudios relevantes en la temática, publicados entre 2000 y 2024 por medio de una búsqueda en la base de datos de Scopus. Se llevó a cabo un análisis de métricas de rendimiento y estructura que toma en cuenta: total de publicaciones, cantidad de documentos, tasa de crecimiento anual de artículos publicados, afiliaciones y autores más relevantes, redes de colaboración, más citados a nivel mundial, tendencias temáticas, entre otros. De los 570 documentos analizados se identificó a G. Wulf como la autora más relevante, la Universidad de Toronto como la afiliación más relevante, Estados Unidos de América como el país con mayor producción científica. El estudio más citado aborda un tema relacionado con el problema de grados de libertad. En conclusión, este trabajo brinda una perspectiva de la producción científica de la temática relacionada al aprendizaje motor en los últimos 25 años.
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 | 0.016 | 0.074 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.109 | 0.199 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.012 | 0.008 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".