A Visualized Bibliometric Analysis for Mapping Research Trends of Machine Learning in Academic Research

Z. S. Ibrahim, Fina Rifqiyah, Jamal Mohamad Sultan, Heri Retnawati, Jumriani Sultan

2023

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)

DOI 10.31643/2023.34

Достоверность данных 85 высокая

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

This study aims to conduct a comprehensive bibliometric analysis of machine learning research within the academic research from 2013 to 2023. The goals include comprehending how publication trends have changed over time, pinpointing important fields of interest, and clarifying how machine learning and scholarly research interact. This study's methodology combines a bibliometric framework with a qualitative descriptive approach. The data were collected from Scopus database, which consist of 4.655 documents for analysis. The analysis is executed using R studio and Biblioshiny. The result shows that the rise of machine learning in academic research between 2013 and 2023 suggests that this field of study will continues to be a trending area for academic exploration.