Projekt
DEA-Evolution und bibliometrische Pipeline
Eine End-to-End-Pipeline fuer Bereinigung, Klassifikation und Kartierung von 54.000 Scopus-Datensaetzen mit Metriken, Netzwerken und Hauptpfaden.
Python · Scopus · Bibliometrics · Network Analysis · DeepSeek
Product Snapshot
- Role
- Datenforschung und Analysis Engineering
- Users
- Forschungsteams, die Evolution, Anwendungen und Wissensstruktur von DEA untersuchen.
- Stage
- Bereinigung, Klassifikation, Metriken, Netzwerkanalyse und Berichtsmaterial wurden 2025.09-2026.03 abgeschlossen.
- Focus
- Bibliografische Bereinigung, LLM-gestuetzte Klassifikation, Forschermetriken, Netzwerke und SPC-Hauptpfade.
- Validation
- 53.954 Scopus-Rohdatensaetze wurden auf rund 33.690 Anwendungspublikationen reduziert und als wiederverwendbare Pipeline organisiert.
- Public Proof
- Roh- und Prozessdaten, Python-Skripte, Abbildungen und Forschungsoutputs.
Next Step
Forschungsziel
Das Projekt untersuchte, wie DEA von Theorie in Anwendungsfelder wanderte, welche Autoren und Institutionen Schluesselnetzwerke bilden und wie sich Hauptpfade veraenderten.
Methode
Ich bereinigte und normalisierte 53.954 Scopus-Datensaetze zu rund 33.690 Anwendungspublikationen. Die Pipeline nutzte DeepSeek zur unterstuetzten Domain-Klassifikation, berechnete h/g-index-Masse, baute Kollaborations- und Aehnlichkeitsnetze und extrahierte SPC-Hauptpfade.
Ergebnis und Grenze
Es entstanden wiederverwendbare Python-Analysen, strukturierte Daten und Visualisierungen. LLM-Klassifikation vergroesserte die Abdeckung, ersetzte aber keine Stichprobenkontrolle und wird nicht als absolute Wahrheit behandelt.
Konfiguriere die oeffentlichen Giscus-Umgebungsvariablen, dann erscheint hier der Diskussionsbereich.