Analiza bibliometryczna badań nad rekonstrukcją wypadków drogowych z pominięciem czasopism nieindeksowanych
Wybierz format
RIS BIB ENDNOTEData publikacji: 07.10.2025
Paragraf na Drodze, 2025, 1/2025, s. 63-74
https://doi.org/10.4467/15053520PnD.25.004.22243Autorzy
Analiza bibliometryczna badań nad rekonstrukcją wypadków drogowych z pominięciem czasopism nieindeksowanych
Artykuł prezentuje analizę bibliometryczną piśmiennictwa naukowego dotyczącego rekonstrukcji wypadków drogowych, opracowaną na podstawie 910 dokumentów naukowych z bazy Web of Science Core Collection pochodzących z lat 1971–2025. Badanie objęło analizę dynamiki publikacji, rozkładu geograficznego, cytowalności oraz współpracy naukowej. Najważniejsze wyniki wskazują na dynamiczny wzrost liczby publikacji, szczególnie po 2010 roku, z rekordowym poziomem 105 artykułów w 2024 roku. Średnioroczny przyrost publikacji wynosi 6,81%, a przeciętna liczba cytowań na dokument to 10,53. Chiny, Stany Zjednoczone i Wielka Brytania dominują pod względem cytowalności, przy czym amerykańskie publikacje charakteryzują się najwyższą średnią cytowalnością (24,80 cytowania na artykuł). Czasopismo „Accident Analysis and Prevention” jest najważniejszym źródłem publikacji (42 artykuły), a Shanghai Jiao Tong University i Changsha University of Science and Technology przewodzą pod względem afiliacji. Analiza tematyczna ujawniła interdyscyplinarny charakter dziedziny, łączący aspekty medyczne (trauma, injuries, surgery), inżynierskie (simulation, vehicle, safety) oraz nowoczesne technologie (deep learning, network). Ewolucja tematów w ostatnich latach wskazuje na przesunięcie od klasycznych zagadnień biomechanicznych i klinicznych w kierunku zastosowania sztucznej inteligencji i big data. W pracy nie analizowano publikacji nieindeksowanych w bazach danych, choć ich udział w ogólnej liczbie publikacji jest niewątpliwie znacznie większy, co może stanowić przyczynek do kolejnych analiz bibliometrycznych.
1. Aria, M., Cuccurullo, C. (2017). bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
2. Arruda, H., Silva, E. R., Lessa, M., Proença, D. Jr., Bartholo, R. (2022). VOSviewer and Bibliometrix. Journal of the Medical Library Association : JMLA, 110(3), 392–395. https://doi.org/10.5195/jmla.2022.1434
3. Kojaku, S., Livan, G. i Masuda, N. (2021). Detecting anomalous citation groups in journal networks. Scientific reports, 11(1), 14524. https://doi.org/10.1038/s41598-021-93572-3
4. Saragih, R., Wahyono, T., Sembiring, I., Wellem, T., Yanto, B. (2025). Hybrid Deep Learning Models with Explainable AI and Reinforcement Learning for Traffic Accident Prediction. W: 2025 4th International Conference on Creative Communication and Innovative Technology (ICCIT). https://doi.org/10.1109/ICCIT65724.2025.11167723
Informacje: Paragraf na Drodze, 2025, 1/2025, s. 63-74
Typ artykułu: Oryginalny artykuł naukowy
Tytuły:
Uniwersytet Ekonomiczny w Poznaniu
Polska
Publikacja: 07.10.2025
Otrzymano: 19.07.2025
Zaakceptowano: 18.09.2025
Status artykułu: Otwarte
Licencja: CC BY 4.0
Udział procentowy autorów:
Informacje o autorze:
Korekty artykułu:
-Języki publikacji:
PolskiLiczba wyświetleń: 301
Liczba pobrań: 349