Bifrost®: religionsdidaktik

v. 0.8.35+9e57610

Niemi, Kristian. (2026, 8 oktober). Bifrost®-analys: religionsdidaktik. Karlstads universitet. https://bifrost.kau.se/forskning/amnesdidaktik/rel/religionsdidaktik.html

DORA
1 104
2026*: 42 ▲
519
47% av totalt 2026*: 67% ▲
59%
2026*: 95% ▲
17%
Bland nivåklassificerade tidskrifter
2026*: 18% ▲
3%
2026*: 5% ▲
*Året kan vara ofullständigt
Om nyckeltalen

Nyckeltalen sammanfattar rapportens centrala indikatorer. Alla värden beräknas från det underliggande datamaterialet och avser perioden 1981–2026 om inget annat anges. Procentandelar (refereegranskat, Open Access, internationellt samarbete) beräknas som andel av totalt antal publikationer per år.

Procentuell förändring visas inte när basvärdet understiger 10 enheter, eftersom små bastal ger statistiskt instabila procenttal (Hicks et al. (2015), princip 8; jfr CDC:s regel om n < 16). Absoluta tal visas istället.

Årlig tillväxttakt (CAGR) redovisas inte för den här rapporten: CAGR redovisas inte (för låg startnivå).

Följande sökfråga användes:
((religionslär*) OR “religionsdidaktik” OR ( “ämnesdidaktik” AND “religion” ) OR “religionskunsk*” OR (religionspedagogi*) OR (religionsundervisning) OR “religious education” OR (kristendomsundervisning*) OR (kristendomskunskap*)) AND srt2:(1970-2099) NOT Ämne:“Ekonomisk historia” NOT Ämne:“Medicinsk genetik” NOT Ämne:“Evolutionsbiologi” NOT hsv:(Hälso och sjukvårdsorganisation hälsopolitik och hälsoekonomi) NOT AUT:“Jandrić, Petar” NOT AUT:“Mkono, Mucha” NOT hsv:(Arbetsterapi) NOT hsv:(Lantbruksvetenskap, skogsbruk och fiske) NOT hsv:(Annan medicin och hälsovetenskap) NOT hsv:(Naturresursteknik) NOT hsv:(Klinisk medicin) NOT hsv:(Annan naturvetenskap) NOT hsv:(Elektroteknik och elektronik) NOT hsv:(Maskinteknik) NOT hsv:(Materialteknik) NOT hsv:(Kemi) NOT hsv:(Annan lantbruksvetenskap) NOT hsv:(Miljöbioteknik) NOT hsv:(Husdjursvetenskap) NOT hsv:(Veterinärmedicin) NOT hsv:(Nanoteknik) NOT hsv:(Nanoteknologi med applikationer på växter och djur) NOT hsv:(Annan fysik) NOT hsv:(Sannolikhetsteori och statistik) NOT hsv:(Folkhälsovetenskap*) NOT hsv:(Annan teknik) NOT hsv:(Geovetenskap*) NOT hsv:(Samhällsbyggnadst*) NOT hsv:(Hälsovetenskap) NOT hsv:(Biologi) NOT hsv:(Juridik) NOT hsv:(Fysik) NOT hsv:(Medie-, komm*) NOT hsv:(Matematik) NOT hsv:(Ekonomi*) NOT hsv:(Data*) NOT hsv:(Litteraturvetenskap) NOT hsv:(Medicin*)
Primär datakälla: SwePub
Berikningskällor: OpenAlex, Kanalregisteret (HK-dir)
● Datakvalitet: bristfällig
  • ● Dubbletter: 3 dubblettregistrering (samma DOI) konsoliderad; sökningen returnerade 1 107 poster.
  • ● Saknade affilieringar (8.2%): God täckning av organisationsuppgifter.
  • ● DOI-täckning (22.5%): Låg DOI-täckning. Berikning med citeringsdata och OA-status begränsas.
  • ● Citeringsdata (22.2%): Begränsad citeringsdata. Citeringsanalyser omfattar bara en del av datasetet.
  • ● Ofullständigt år (2026): Data kan vara ofullständig. Trendanalyser bör tolkas med försiktighet.
Publicering
Publikationstyper
Antal vetenskapliga publikationer per typ över år
47%
Refereegranskat
2026: 67% ▲
91%
Vetenskapligt
2026: 93% ▲
452
Unika tidskrifter
2026: 19 ▲
17%
Nivå 2 (norska listan)
2026: 18% ▲
51 av 294 klassificerade

Insikter
Andelen peer-reviewed: 55,8 % senaste årtionde (2017–2026), upp från 40,1 % föregående årtionde (2007–2016). Långsiktig trend (1981–2026): ökande. Observera att 0 % i periodens första år kan bero på ofullständiga metadata snarare än en faktisk avsaknad av peer review.

1000 (91 %) vetenskapliga publikationer, 104 (9 %) övriga publikationer.

Publikationstyper över tid
Proportionell vy
Tidskrifter: refereegranskat och övrigt vetenskapligt
Saknar matchning i Kanalregisteret… (HK-dir). Vanliga orsaker: saknade ISSN i källdata, kanaler utanför registret, konferensserier eller nyligen startade tidskrifter. Avsaknad av klassificering innebär inte nödvändigtvis att tidskriften saknar peer-review.
Tidskrifter: populärvetenskap, debatt etc
Publicering per NPI-nivå

Norwegian Publication Indicator (NPI), även kallad norska listan, klassificerar publiceringskanaler i två nivåer. Nivå 2 (topp ca 20 % per ämnesområde) anses vara de mest prestigefyllda kanalerna. Nivå 1 omfattar övriga godkända kanaler.

Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
NPI-nivå (1 eller 2) hämtas från Kanalregisteret (HK-dir) genom ISSN-matchning mot publikationens eget år. Saknar kanalen nivå för det året används närmast tidigare satta år. Saknas även tidigare bedömning, vanligen för att kanalen togs in i registret senare, tillämpas kanalens tidigaste bedömning bakåt i tiden; den nivån är alltså imputerad och inte uppslagen. En publikation vars kanal inte kan matchas får ingen nivå alls och räknas därmed inte.
Begränsningar
  • Kanalregisteret täcker inte all vetenskaplig publicering. Bifrost matchar tidskrifter och skriftserier via ISSN; poster utan ISSN får ingen NPI-nivå i NPI-analysen. Det är en täckningsfråga, inte ett kvalitetsomdöme.
  • Nivåbaserade indikatorer bör tolkas kontextuellt och inte användas som enda kvalitetsmått. Hicks et al. (2015)
  • NPI-klassificering hämtas från Kanalregisteret (HK-dir) och täcker inte all vetenskaplig publicering. Publikationer utanför kanallistan saknar NPI-nivå.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
17.3%
Nivå 2
2026: 18.2% ▲
51
Nivå 2 (Antal)
2026: 4 ▲
231
Nivå 1 (Antal)
2026: 18 ▲
810
Ej klassificerad
73.4% av alla

En hög andel publikationer (≥10 %) saknar NPI-klassificering. Vanliga orsaker: saknade ISSN i källdata, kanaler utanför registret (ca 40 000 tidskrifter), konferensserier, eller nyligen startade tidskrifter. Se tidskriftstabellen för oklassificerade kanaler.

NPI-nivå per år
Metod och begränsningar
Datakälla
SwePub + Kanalregisteret (HK-dir)
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Volymmåttet räknar publikationer, inte publicerade sidor eller bidragets storlek.
  • Konferensbidrag kan vara underrepresenterade i källdatabasen, särskilt för äldre perioder och vissa discipliner.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
  • NPI-klassificering hämtas från Kanalregisteret (HK-dir) och täcker inte all vetenskaplig publicering. Publikationer utanför kanallistan saknar NPI-nivå.

Äldre år (1981–2018) aggregerade för läsbarhet. Full tidsspan tillgänglig i dataexporten.

Median citeringar är inte fältnormaliserade — höga värden i naturvetenskap jämförs inte direkt med samhällsvetenskap.

FWCI (Field-Weighted Citation Impact) visar medelciteringsgenomslaget normaliserat efter ämne, publikationstyp och år. Värden ≥ 1,0 innebär citeringar i linje med eller över världsgenomsnittet. FWCI visas när minst 10 artiklar i tidskriften har data. Topp 10 % anger andelen artiklar bland de 10 % mest citerade i sitt fält — visas när minst 5 artiklar har percentildata. Median citeringar (dold kolumn) visar råa citeringstal utan fältnormalisering — ej jämförbara mellan ämnesområden.

Av 810 oklassificerade poster saknar 713 en matchbar ISSN (ofta bokkapitel, antologier, rapporter; hit räknas även poster där enbart en e-ISSN finns, eftersom uppslaget använder en ISSN-kolumn) och 97 har en matchbar ISSN som inte finns i Kanalregisteret (ca 40 000 tidskrifter, norskcentrerat). Bifrost matchar tidskriftskanaler mot Kanalregisteret via ISSN; NPI klassificerar även bokförlag, som Bifrost i nuläget inte slår upp. Poster utan klassificering är därför en täcknings-, metadata- och matchningsfråga, inte ett kvalitetsomdöme.

DORA

DORA-läge är aktiverat för den här rapporten. Bifrost utvärderar rapporten mot principerna i DORA (2012) och CoARA (2022).

Rapporten innehåller element som inte är förenliga med DORA:s princip 1: “Använd inte journalbaserade mått som surrogatmått för kvaliteten hos enskilda forskningsartiklar.”

NPI-nivåklassificering (Nivå 1/2) visas i rapporten. NPI är ett nordiskt klassificeringssystem som ordnar publiceringskanaler efter akademisk position, det vill säga en kanalbaserad nivåindelning som DORA avråder från att använda som kvalitetssurrogat. Klassificeringen visas här som deskriptiv information om publiceringsmönster, inte som ett mått på enskilda artiklars kvalitet.

Forskare

Forskarna listas nedan, sorterade efter vetenskaplig produktivitet.

494
Unika forskare
2026: 48 ▲
30%
Top-10-forskares publikationsandel
De 10 mest produktiva (av totalt 494) forskares andel av alla publikationer
0.5
Medförfattare/publ.
2026: 0,5 ●

Insikter
De 20% mest produktiva forskarna står för 55% av publikationerna (Gini 0,41, skala: 0 = jämnt, 1 = helt koncentrerad). Genomsnittligt antal medförfattare: 0,6 senaste årtionde (2017–2026), upp från 0,3 (2007–2016).

Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Listorna visar de mest produktiva forskarna per volym. Ordningen speglar registrerad publiceringsaktivitet, inte vetenskaplig kvalitet eller genomslag.
  • Sektionen är deskriptiv. Individuella forskare utvärderas inte; måttet är ett gruppresultat på aggregerad nivå.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Samarbete
Samförfattarskap

Insikter
22 forskargrupper av ungefär lika storlek; inget kluster dominerar. Varje forskare samarbetar i snitt med 2,7 andra (ett måttligt sammankopplat nätverk). Tydlig klusterstruktur (Modularitet 0,94); forskarna arbetar främst inom sin egen grupp. Nätverket är glest: bara 2,9% av alla forskarpar har en direkt samarbetslänk.

Metodbeskrivning

Varje nod representerar en forskare och varje länk ett samförfattarskap. Färgerna visar forskargrupper (kluster) identifierade via modularitetsanalys. Nodens storlek speglar antal publikationer.

Samförfattarskapsnätverket byggs från samförfattade publikationer. Varje nod representerar en forskare, och varje kant viktas med antal sampublikationer. Kantvikterna normaliseras med association strength Van Eck et al. (2009) före klustring med Leiden-algoritmen. Centralitetsmått: grad (antal samarbetspartner), samarbetsintensitet (total samförfattarfrekvens), och brobyggarvärde (weighted betweenness med inverterade vikter) Newman (2004). Nätverksdensitet mäter andelen realiserade av alla möjliga samarbeten. Terminologi: «Samarbetspartner (snitt)» = mean degree; «Klusterbildning» = modularity Traag et al. (2019).

2.7
Samarbetspartner (snitt)
1981–2026
0.94
Klusterbildning
1981–2026
Gradsfördelning
Sammanfattning
Individuell nätverksstatistik

‘Publ.’ anger antalet texter författaren skrivit tillsammans med en eller flera samförfattare.

Nätverksstatistik visar centrala noder i samarbetsnätverket. Medförfattare (degree) är antalet direkta samarbeten, Samarbetsintensitet (strength) är den totala sampubliceringsintensiteten, Brobyggare (betweenness) visar vilka författare som fungerar som broar mellan olika grupper, och Grupp är det nätverkskluster författaren tillhör.

Vanligaste samförfattarskap

Den första medförfattaren som listas är den som författaren skrivit tillsammans med flest gånger. ‘Antal’ anger antal medförfattade texter med författaren. Upp till fyra ytterligare medförfattare anges, i fallande ordning efter antal medförfattarskap.

Nätverk av medförfattare

Nedan är en visualisering av datasetets 21 olika grupperingar. Färgerna anger olika grupper.

Diagrammet visar sampubliceringar mellan forskare i urvalet. Vilka forskare och relationer som ingår framgår av raden under figuren. Metodavsnittet beskriver hur urvalet görs.

Forskare i nätverket: 96 av 96. Sampubliceringsrelationer: 131 av 131. Urval: hela nätverket visas. Lägsta antal gemensamma publikationer för en relation: 2.

Namn visas för alla forskare i figuren.

Gruppmedlemskap

Namn på författare till höger; grupp-id till höger. Du kan se storlek på grupperna och gruppernas vanligaste keywords i tabellerna som följer. En kombination av sökning och sortering kan användas för att utforska gruppmedlemskap vidare.

Gruppstorlek
Nyckelord per grupp

Tabellen är begränsad till a) grupper med fler än 3 medlemmar; b) grupper med minst ett keyword i någon publikation; c) de tio mest använda nyckelord per grupp.

Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • En länk i nätverket innebär att två forskare delar minst en publikation i urvalet; länkens styrka anger antalet gemensamma verk. Informella samarbeten och opublicerade projekt syns inte.
  • Korta tidsperioder eller små forskargrupper ger glesa nätverk. Isolerade noder indikerar forskare med få registrerade samarbeten i urvalet, inte avsaknad av samarbete generellt.
  • Par som delar färre än 2 publikationer inkluderas inte i nätverket (makeCoauthorMinPubs).
  • Publikationer med fler än 25 författare exkluderas från samförfattarskapsanalysen (makeMaxAuthorsPerPub).
  • Gallring av relationer sker endast på stegens två namngivna pinnar (kantprövning mot en nollmodell för kantvikter, Serrano et al. (2009), på nivå 0,20 respektive 0,10, på hela rågrafen), och alltid före forskarurvalet: de visade forskarna väljs bland de relationer som står kvar efter prövningen. Nätverksstatistik (medelgrad, täthet, komponenter, klustertillhörighet) beräknas på den visade, filtrerade grafen, inte på rågrafen.
  • Helräkning: varje delad publikation ger vikten 1 per par. För att ge varje publikation lika total vikt oavsett antal författare, aktivera makeFractionalCounting = TRUE (per-publikation 1/(N−1)-viktning enligt Perianes-Rodriguez m.fl. 2016). Perianes-Rodriguez et al. (2016)
  • Association strength: AS(i,j) = w_ij / (k_i × k_j / 2m). Normaliseringen reducerar dominans av höggraderade noder. Van Eck et al. (2009)
  • Medförfattare (degree) anger antal unika samarbetspartner (nätverkstopologi). Samarbetsintensitet (strength) anger total sampubliceringsintensitet (kantvikter). En forskare med många Medförfattare men låg Samarbetsintensitet har många ytliga samarbeten; omvänt innebär hög Samarbetsintensitet med få Medförfattare få men intensiva samarbeten. Opsahl et al. (2010)
  • Klusterfärger baseras på sampubliceringsmönster, inte på organisatorisk tillhörighet. En klusters sammansatta forskargrupper kan skära igenom organisationsgränser.
  • Urvalet av forskare och relationer styr bara vad som går att läsa i diagrammet. Att en relation saknas i diagrammet betyder inte att forskarna inte har publicerat tillsammans, och att en relation syns betyder inte att samarbetet är starkare än ett som inte syns. Gränsvärdena är en presentationskonvention: ett nätverk utanför dem är inte felaktigt, det går inte att läsa som bild. Antalet grupper i diagrammet beror på den upplösning klusteralgoritmen körs med och är inget mått på hur många forskargrupper som finns.
  • En relation ritas mellan två forskare som står på minst 2 gemensamma publikationer. Det är instrumentets räckvidd, inte ett urval bland samarbeten: forskare med färre gemensamma publikationer saknas i diagrammet utan att något prövats om dem.
  • Parametrar: min. sampublikationer = 2, nodtak = 300.
  • Grupper: Leiden-klustring med resolution γ = 1.00, samma upplösning i alla rapporter.
  • Nätverket består av 16 åtskilda delar. Att ett nätverk faller isär i flera delar är ett resultat om urvalet, inte ett fel i diagrammet: det betyder att grupper i urvalet publicerar utan gemensamma författare.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Bibliometriska nätverksvisualiseringar är ett komplement till, inte en ersättning för, expertbedömning. Van Eck et al. (2014)

Se även handledar- och opponentnätverket i forskarsektionen för en analys av akademiska samarbetsmönster bortom samförfattarskap.

Handledar- och opponentnätverk

Till skillnad från samförfattarskapsanalysen, som kartlägger samarbete genom gemensamma publikationer, synliggör denna sektion de akademiska nätverk som uppstår genom handledning och opponering av avhandlingar. Handledare och opponenter som verkar vid flera lärosäten utgör informella kunskapsbryggor mellan organisationer — relationer som sällan fångas av traditionella bibliometriska mått men som kan avslöja viktiga mönster i akademisk kunskapsöverföring.

Insikter
27 forskare har handlett eller opponerat över lärosätesgränser. Starkaste kopplingen: Göteborgs universitet – Karlstads universitet (Kopplingsstyrka: 6). Baserat på 81.8% av avhandlingar med identifierbara handledare.

Handledningar  Opponeringar
Handledar- och opponentnätverk, figur
Handledar- och opponentnätverk, tabell
Metodbeskrivning

Handledar-/opponentnätverket är separat från kartan för internationellt samarbete. Kartan bygger på samförfattarskap mellan författaraffilieringar, medan handledar-/opponentrelationer visas i nätverket nedan.

Nätverket baseras på handledar- och opponentrelationer extraherade från poster i SwePub. Kopplingsstyrkan beräknas som (antal handledningar × 2) + (antal opponeringar × 1). Viktningen (2:1) är en Bifrost-konvention som speglar att handledning är en längre och djupare samarbetsrelation än opponering. Metoden saknar bibliometrisk etablerad praxis; den är utvecklad specifikt för Bifrost.

Viktningen handledare:opponent (2:1) är en Bifrost-konvention för att spegla handledarens större roll i avhandlingsprocessen. Detta är inte etablerad bibliometrisk praxis.

Högskolor och universitet
91
Organisationer
38%
Top-3-andel

Insikter
87 organisationer bidrar. Göteborgs universitet, Stockholms universitet och Karlstads universitet står för 39 % av affilieringsposterna — en bred fördelning.

Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Full räkning per medverkande institution
Begränsningar
  • Varje publikation räknas en gång per medverkande institution. En publikation med tre medförfattare från samma institution räknas alltså en gång för den institutionen. Kolumnsumman över alla institutioner kan därför överstiga antalet publikationer.
  • Institutionsnamn har harmoniserats mot en intern namnlista. Omatchade varianter visas separat eller ingår inte.
  • Totalt 8 poster i rådata uteslöts från tabellen: 4 land-/ortsnamn (geografiska enheter, inte organisationer), 2 manuellt verifierade poster (inte organisationer, known_unmapped), 2 avdelningar, fakulteter eller centra (mönsterbaserad filtrering). Detta berör varför antalet organisationer i tabellen kan skilja sig från antalet unika affilieringar i datakällan.
Internationellt samarbete

Översikt av det internationella samarbetet baserat på medförfattarskap och affilieringar i publikationerna.

17
Samarbetsländer
2 i snitt per år
3%
Internationellt samarbete

Insikter
17 länder representerade i samarbeten. Norge, Finland och Storbritannien är vanligast. 3,3 % av publikationerna har internationella medförfattare — ökning från 1 % (2007–2016) till 5 % (2017–2026). Andelen räknas på 91,7 % av publikationerna.

Samarbetsländer

Totalt 1383 landförekomster

Sverige är dolt som standard i tabellen ovan och i diagrammet nedan för att lyfta fram internationella samarbeten (kryssrutan visar Sverige vid avbockning); PDF-exporten innehåller alltid Sverige.

Fördelning per år
Vy:
Samförfattarskap per land

Baserat på medförfattares affilieringsland.

Andel av 81 sampublikationer i den internationella delmängden

Nätverk och publikationer, geografiskt

Insikter:
Nätverket omfattar 36 lärosäten med 60 samarbetsrelationer. Det starkaste samarbetet är mellan Göteborgs universitet och Umeå universitet (17 gemensamma publikationer). Karlstads universitet har flest samarbetspartner (7 st).

Periodsöversikt

Kartan visar främst samförfattarskap mellan lärosäten. Handledar-/opponentkopplingar redovisas som separata nätverksrelationer och kan vara färre, eftersom endast poster med tydlig institutionskoppling kan inkluderas.

36
Lärosäten i nätverket
1981–2026
60
Samarbetsrelationer
1981–2026
17
Sampublikationer: Göteborgs universitet – Umeå universitet
1981–2026
Metod och begränsningar
Datakälla
SwePub + OpenStreetMap/Nominatim
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Den internationella andelen beräknas enbart från författarnas affilieringsland. Konferensort, publiceringsland och annan metadata räknas inte som internationellt samarbete.
  • Landsanalys baseras på medförfattares affilieringsland. Full counting innebär att varje land i en sampublikation räknas en gång.
  • Ett samarbetsland är ett utländskt land med minst en medförfattaraffiliering på samma publikation; hemlandet räknas inte som samarbetsland. Ett samarbetsland är nytt när det förekommer under året och inte under något tidigare år i perioden.
  • Andelen internationella publikationer räknas på de publikationer som har landsuppgift, inte på hela korpusen: en publikation utan landsuppgift är inte en nationell publikation, och att räkna den som sådan drar andelen ned i takt med bortfallet. Täckningen redovisas därför tillsammans med andelen. Under 50 % täckning visas ingen andel alls, och en trend mellan två perioder vars täckning skiljer minst 10 procentenheter får ingen riktning.
  • Nätverkskartan visar samarbetsrelationer mellan lärosäten baserat på samförfattade publikationer. Nodstorlek avspeglar antal samarbetspartner, kanttjocklek avspeglar samarbetsstyrka (Saltons cosine-index).
  • Baserat på författares affilieringsinformation. Ofullständiga affilieringsuppgifter kan påverka resultaten.
Ämnesområden
Ämneskategorier
Samhällsvetenskap (56%)
Dominant kategori
2
Ämnesområden (nivå 1)
0.99 / 1.00
Ämnesdiversitet (jämnhet)

Insikter
Samhällsvetenskap dominerar (52 %). Ämnesbredden är stabil (1981–2026, H: 0,69 → 0,69). Spridningen av materialets ämnesklassificeringar ligger i intervallet 0,6 eller mer. Rao-Stirling: 0,621 (det genomsnittliga taxonomiska avståndet mellan två ämnesklassificeringar som dras slumpvis ur materialet, där 0 är samma ämne och 1 är olika huvudområden). Klassificeringarna finns inom 2 HSV-huvudområden (UKÄ-klassificering). Rao-Stirling (Stirling, 2007)

Metod: diversitetsindex

Shannon H (jämnhetsindex) mäter hur jämnt fördelade publikationerna är över ämnesområden. Värdet 1,00 innebär perfekt jämnhet; lägre värden indikerar dominans av enskilda områden. Rao-Stirling är det genomsnittliga taxonomiska avståndet mellan två ämnesklassificeringar som dras slumpvis ur materialet. Avståndet är 0 för samma ämne, 0,33 för olika ämnen inom samma ämnesgrupp, 0,67 för olika ämnesgrupper inom samma huvudområde och 1 för olika huvudområden i UKÄ:s klassificering. En publikation med flera klassificeringar bidrar med var och en av dem. Indexet beskriver hur materialets klassificeringar är spridda, inte om enskilda publikationer förenar flera ämnen.

Nivå 1
Proportionell vy

Andel av totala publikationer per år (%). Notera att en publikation kan tillhöra flera kategorier.

Frekvens av kategori per år
Nivå 2

Under perioden 1981–2026 saknar 5,9% (65 av 1 104) publikationer ämnesklassificering på denna nivå.

Proportionell vy

Andel av totala publikationer per år (%). Notera att en publikation kan tillhöra flera kategorier.

Ämneskategorier nivå 2 (tabell)
Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Klassifikationssystem
HSV/UKÄ (5 nivåer), OECD FoS (3 nivåer)
Räknemetod
Full räkning per kategori
Begränsningar
  • Utforska vilka ämneskategorier som finns representerade i datasetet. Notera att publikationer som regel har flera kategorier. Därför är det regel, inte undantag, att procentsatserna tillsammans utgör mer än 100%. Om x är 100% och y är 15% så betyder det att samtliga publikationer kategoriserats som x, och av dem har 15% också kategoriserats som y
  • En publikation klassificerad under flera ämnen räknas i samtliga kategorier. Summan överstiger därför antalet publikationer — detta är korrekt, inte ett fel.
  • Klassificeringen kan variera i precision mellan lärosäten och tidsperioder. Jämförelser bör göras med försiktighet.
  • Rao-Stirling-index beräknas på portföljnivå (andelarna ämneskodsförekomster i hela datasetet), inte som medelvärde av per-publikation-RS. Absoluta RS-värden är inte direkt jämförbara med benchmarks baserade på per-artikel-beräkningar eller andra klassifikationssystem.
Nyckelord
2 112
Unika nyckelord
2026: 142 ▲
islam (4.1%)
Vanligaste nyckelord
2026: climate change

Insikter
Bred nyckelordsprofil — ingen enskild term dominerar (HHI: 0,0015 — Herfindahl-Hirschman Index, där 0 = perfekt jämn fördelning, 1 = en term dominerar helt). Vanligast är “islam” som förekommer i 4,1 % av publikationerna, fördelat över totalt 2112. Koncentrationen mäts över den kurerade nyckelordsmängden; termer som förekommer i minst 70 % av publikationerna exkluderas som icke-särskiljande.

Nyckelord som exkluderats manuellt

church history; didactics; didaktik; education; education and learning; educational science; educational work; fenomenologi; humaniora och religionsvetenskap; lärarutbildning och pedagogisk yrkesverksamhet; pedagogik; pedagogy and didactics; religion; religionsdidaktik; religionskunskap; religionspedagogik; religionsundervisning; religious education; skola; sociology of religion; subject didactics; subject-specific education; teacher education and education work; teaching; undervisning; utbildning och lärande; ämnesdidaktik

Nyckelord – perioden

Färger indikerar frekvenskvantiler inom detta dataset.

Röd: Högsta frekvens (4.1-3.3%); Blå: Hög frekvens (3.3-2.5%); Grön: Medelhög frekvens (2.5-1.7%); Orange: Låg frekvens (1.7-0.9%); Grå: Lägsta frekvens (0.9-0.1%)

Nyckelordstrender
Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Nyckelorden är en blandning av författartilldelade och automatiskt genererade termer. Konsekvens i indexeringen varierar mellan källor och tidsperioder.
  • Engelska nyckelord dominerar ofta. Publikationer på svenska eller andra språk är därför ofta underrepresenterade i frekvensanalyserna.
  • Nyckelord som förekommer i mer än 70 % av alla publikationer exkluderas automatiskt för att undvika att generiska termer dominerar analysen.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.

HSV-ämneskategorier har filtrerats bort från keywords: religious studies and theology; religionsvetenskap/teologi; genus; teknik och social förändring; lärande; kulturarv och kulturproduktion; barn; filosofiämnen; learning; teknikhistoria; etnicitet; historieämnen; mathematics; idrott

Inga tillräckligt starka trender (varken stigande eller sjunkande) identifierades bland de vanligaste nyckelorden för att generera djupare insikter. Detta kan bero på att frekvenserna är relativt stabila över tid, eller att datasetet är för litet för att fastställa statistiskt robusta trender.

Avtagande teman
Historiska trender

Följande keywords hade perioder av hög aktivitet tidigare men har sedan avtagit. Analysen visar när de var som mest aktiva, vad som drev intresset, och hur aktiviteten utvecklats sedan dess.

subject learning and teaching: historisk trend (2017–2018)

Burst-period: 2017–2018 (måttlig burst)

Toppår: 2018 (8 publ.)

Drivande aktörer under perioden:

  • Forskare: Berglund, Jenny (5 publ.), Abdullah, Ailin (1 publ.), Hållander, Marie (1 publ.)
  • Lärosäten: Stockholms universitet (5 publ.), Högskolan i Skövde (2 publ.), Karlstads universitet (1 publ.)

Samvarierande keywords: ämnesdidaktik, islam, islamic education

Nuvarande status: Minskande

innovative learning: historisk trend (2018–2021)

Burst-period: 2018–2021 (måttlig burst)

Toppår: 2018 (6 publ.)

Drivande aktörer under perioden:

  • Forskare: Thalén, Peder (6 publ.), Carlsson, David (4 publ.), Liljestrand, Johan (3 publ.)
  • Lärosäten: Högskolan i Gävle (13 publ.), Göteborgs universitet (1 publ.)

Samvarierande keywords: innovativt lärande, religious education, post-secular

Nuvarande status: Potentiellt minskande

sverige: historisk trend (2015–2020)

Burst-period: 2015–2020 (måttlig burst)

Toppår: 2018 (4 publ.)

Drivande aktörer under perioden:

  • Forskare: Niemi, Kristian (5 publ.), Aldrin, Viktor (2 publ.), Dalevi, Sören (2 publ.)
  • Lärosäten: Karlstads universitet (7 publ.), Högskolan Väst (4 publ.), Göteborgs universitet (2 publ.)

Samvarierande keywords: sweden, religion, religious education

Nuvarande status: Stabil

islamic education: historisk trend (2016–2019)

Burst-period: 2016–2019 (måttlig burst)

Toppår: 2017 (5 publ.)

Drivande aktörer under perioden:

  • Forskare: Berglund, Jenny (8 publ.), Arjmand, Reza (3 publ.)
  • Lärosäten: Södertörns högskola (5 publ.), Linnéuniversitetet (3 publ.), Stockholms universitet (3 publ.)

Samvarierande keywords: religious education, islam, pedagogics and educational sciences

Nuvarande status: Stabil

islam: historisk trend (2007–2010)

Burst-period: 2007–2010 (måttlig burst)

Toppår: 2009 (7 publ.)

Drivande aktörer under perioden:

  • Forskare: Berglund, Jenny (7 publ.), Svensson, Jonas (6 publ.), Arjmand, Reza (1 publ.)
  • Lärosäten: Högskolan i Halmstad (5 publ.), Uppsala universitet (4 publ.), Södertörns högskola (3 publ.)

Samvarierande keywords: education, islamologi, islamology

Nuvarande status: Stabil

Samförekomst av nyckelord

Heatmappen visar hur ofta nyckelord förekommer tillsammans i samma publikationer. Associationsstyrka Van Eck et al. (2009) normaliserar samförekomsten mot produkten av de enskilda nyckelordfrekvenserna. Asterisker (✱) i rutornas övre högra hörn markerar par som förekommer tillsammans oftare än ett hypergeometriskt test förväntar av slumpen på nivån 0,05, med korrektion för antalet prövningar (Benjamini-Hochberg), räknat över alla 1 770 par bland de 60 vanligaste nyckelorden. Markeringen är ett sållningsmått som pekar ut par att granska närmare, inte ett belägg för att nyckelorden hör ihop.

Heatmappen visar samförekomst-styrkan för alla parvisa kombinationer av de vanligaste nyckelorden, inklusive svaga relationer. Den är en fullständig N×N-matris. Nyckelordsnätverket nedan kompletterar bilden: det visar klusterstruktur genom backbone-filtrering som döljer svaga kanter för att framhäva de starka mönstren; de två visualiseringarna mäter samma sak men belyser olika aspekter.
Starkaste nyckelordspar (association strength)
Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Samförekomstmatrisens styrka beräknas med association strength: c_ij / (s_i × s_j / 2m), där s är dokumentfrekvens och m är summan av parvisa samförekomster. Van Eck et al. (2009)
Begränsningar
  • Analysen omfattar de 60 mest förekommande nyckelorden av 2112 i materialet. Figuren visar de 18 första av dem; signifikanstestet och tabellen över starkaste par är beräknade över hela analysens omfång.
  • Association strength normaliseras enligt Van Eck & Waltman (2009): AS(i,j) = c_ij / (c_i × c_j / 2m), där c_ij är dokumentfrekvensen för paret, c_i och c_j är dokumentfrekvenserna för de enskilda nyckelorden och m är summan av samförekomster över unika par (övre triangeln av samförekomstmatrisen). Van Eck et al. (2009)
  • Associationsstyrkan normaliseras mot 2m, summan av samförekomster i den analyserade vokabulären — alltså den nyckelordsmängd taket ovan avgränsar, par som förekommer en enda gång inräknade. Talens nivå är därmed en egenskap hos måttet vid det taket och inte hos nyckelordsparen: ett annat tak ger andra tal för samma par, precis som ett annat material gör. Talen anger en ordning inom rapporten och kan inte jämföras med tal ur en rapport med ett annat omfång.
  • Samförekomst räknas per dokument (whole counting). Bråkdelsräkning tillämpas inte på nyckelordsnivå — ett medvetet val eftersom nyckelorden är kontrollerade termer (SwePub) respektive extraherade koncept (OpenAlex), inte fritextförfattarnamn.
  • Figuren visar de 18 mest förekommande nyckelorden i analysen (sorterade efter dokumentfrekvens). Urvalet av rader görs på dokumentfrekvens och inte på associationsstyrka: att ordna raderna efter det tal figuren sedan visar vore att välja ut på den storhet som redovisas. Antalet ritade rader sattes av heatmappens eget tak, den gräns där cellernas värden slutar skrivas ut i figuren, och begränsar inte analysen. Ett annat antal kan anges med cooccurrenceTopN i rapportkonfigurationen.
  • Tabellen över starkaste par kräver att paret delar minst två dokument. Ett par som förekommer i ett enda dokument får en associationsstyrka som alla andra, utan att talet avslöjar hur tunt underlaget är. Kravet räknas i dokument och inte i associationsstyrka, eftersom en absolut styrketröskel betyder olika saker i olika material.
  • Asteriskerna bygger på ett hypergeometriskt test per nyckelordspar (fler samförekomster än vid oberoende), med korrektion för antalet prövningar (Benjamini-Hochberg), över alla 1 770 par bland de 60 vanligaste nyckelorden. Markeringen är ett sållningsmått för explorativ läsning, inte ett konfirmativt test.
  • Över 18 nyckelord skrivs cellernas värden inte ut i figuren, och antalet ritade rader är som standard satt vid den gränsen. Figuren är därmed en översikt över de vanligaste nyckelorden, inte källan till enskilda parstyrkor. Parstyrkorna i siffror finns i tabellen över starkaste par nedan, som omfattar hela analysen och inte bara de ritade raderna. Skillnaden spelar roll: figurens rader är de vanligaste nyckelorden, medan associationsstyrkan premierar par av ovanliga nyckelord som ändå förekommer ihop, så de starkaste paren ligger i regel utanför figuren.
  • Färgskalan på heatmappen klipps vid 95:e percentilen av associationsstyrkorna bland de ritade cellerna. Associationsstyrka med 2m-skalning är matematiskt obegränsad uppåt: sällsynta nyckelordspar med låga enskilda dokumentfrekvenser kan ge extrema värden som annars dominerar skalan och gör övriga celler osynliga. Klippningen gäller endast färgsättningen — cellernas värden är oförändrade. Det högsta värdet i hela analysen kan tillhöra ett par som varken ritas i figuren eller når tabellens krav på dokumentunderlag.
  • Grafbaserade visualiseringar degraderar för stora nätverk (Van Eck & Waltman, 2014, s. 288–289). Heatmappen är designad för top-N par; nätverksgrafen använder backbone-filtrering för att hantera större nätverk. Van Eck et al. (2014)
  • Nyckelorden är en blandning av författartilldelade och automatiskt genererade termer. Konsekvens i indexeringen varierar mellan källor och tidsperioder.
  • Engelska nyckelord dominerar ofta. Publikationer på svenska eller andra språk är därför ofta underrepresenterade i frekvensanalyserna.
  • Nyckelord som förekommer i mer än 70 % av alla publikationer exkluderas automatiskt för att undvika att generiska termer dominerar analysen.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Nätverksdiagram, nyckelord

Nyckelord som ofta förekommer tillsammans i samma publikationer bildar tematiska kluster. Tabellen nedan sammanfattar klustren; den interaktiva grafen visar relationerna visuellt.

Nätverket visar klusterstruktur och nätverksposition: backbone-filtrering behåller de kanter vars samförekomst prövats mot en nollmodell och döljer svaga relationer för att framhäva de starka mönstren. Samförekomst-heatmappen ovan kompletterar bilden: den visar hela N×N-matrisen för de vanligaste nyckelorden, inklusive svaga par som inte syns i nätverket.

Kanterna är de nyckelordspar vars samförekomst prövats mot SDSM:s nollmodell med korrektion för antalet prövningar (Benjamini-Hochberg). Nivån 0,10 är vald ur en stege som stannar vid det första diagrammet inom gränsvärdena, och anger vad gallringen siktar på, inte ett utfall för den här figuren. Metodavsnittet beskriver urvalet av nyckelord och nivåns innebörd.

Nyckelord i urvalet: 60, varav 60 i minst 2 publikationer. Nyckelordspar med minst en gemensam publikation: 215, varav 50 visas. Nominell nivå (Benjamini-Hochberg): 0,10 av 0,001, 0,010, 0,050, 0,100, 0,200, 0,300. Noder: 37. Lägsta samförekomst: 3 publikationer.

Nätverksdiagrammet visar hur nyckelord relaterar till varandra baserat på sam-förekomst i publikationer. Större noder innebär vanligare nyckelord. Linjer visar sam-förekomst. Färger visar tematiska kluster identifierade med Leiden-algoritmen (Traag et al., 2019).

Klusteröversikt
Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Samförekomstmatrisens styrka beräknas med association strength: c_ij / (s_i × s_j / 2m), där s är dokumentfrekvens och m är summan av parvisa samförekomster. Van Eck et al. (2009)
Begränsningar
  • Nivån anger hur stor andel av de visade kanterna som korrektionen tillåter vara slumpmässig. Den säger ingenting om de övriga kanterna: att en kant ryms i diagrammet betyder inte att sambandet är belagt. Eftersom nivån väljs genom att pröva flera nivåer och behålla den första vars diagram är läsbart gäller den som riktvärde, inte som en gräns för just det här diagrammet. Nivåerna betyder samma sak i alla rapporter; enskilda kanter går inte att jämföra mellan rapporter.
  • Nätverket och samförekomstens heatmap är byggda ur samma matris och omfattar därmed samma nyckelord. Heatmappen ritar ett urval av dem, medan nätverket filtrerar kanter och döljer noder bakom reglagen; skillnaderna mellan figurerna beror alltså på hur de visar materialet, inte på att de analyserar olika material. Att de delar matris innebär också att cooccurrenceAnalyticTopN styr båda figurernas nyckelordsurval, medan cooccurrenceTopN bara styr heatmappens antal ritade rader.
  • SDSM-filtret testar varje keywords-par mot en stokastisk nollmodell som kontrollerar för både nyckelordsfrekvens och antal nyckelord per publikation. Kanter vars samförekomst inte skiljer sig från nollmodellen tas bort. Neal (2022)
  • Kluster detekteras med Leiden-algoritmen Traag et al. (2019), som identifierar tematiska grupper där nyckelord samvarierar starkare inom gruppen än mellan grupper.
  • Nätverket byggs av de 60 mest frekventa nyckelorden av 2112 i materialet, samma urval som samförekomstanalysen, eftersom grafen byggs ur dess matris. Övriga nyckelord ingår inte, vilket kan dölja framväxande ämnesområden. Antalet styrs av cooccurrenceAnalyticTopN, inte av keywordsNetworkTopN, som i stället sätter det förvalda omfånget.
  • Grafbaserade layouter degraderar för stora nätverk (Van Eck et al., 2014). Över 200 noder beror den visuella tydligheten på backbone-filtrering och nod-nedskärning. Statistik (centralitet, klustertillhörighet) beräknas alltid på fullständig graf.
  • Grafen öppnar med 28 av sina 37 noder ritade. Reglagen under grafen, för antal noder och för nyckelordsfrekvens, visar resten.
  • Nyckelorden är en blandning av författartilldelade och automatiskt genererade termer. Konsekvens i indexeringen varierar mellan källor och tidsperioder.
  • Nyckelord på svenska och engelska blandas utan separering. Lemmatisering tillämpas inte: ‘learning’ och ‘learners’ behandlas som separata nyckelord. Detta är ett medvetet val för kontrollerade termer, inte en brist, men påverkar koncentrationen kring engelskspåkiga begrepp.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Ordfrekvens

Frekvensen av enskilda ord i datasetet som helhet. Ord har hämtats från titel, abstract och keywords. “Frekvens” är totala användningar, inklusive antal omnämningar i en och samma text, medan “publikationer” är antalet unika texter var ordet förekommer.

12 940
Unika ord
education (60.3%)
Vanligaste ord

Insikter
De 5 vanligaste orden (efter andel publikationer) är: “education” (60%), “religious” (52%), “religion” (35%), “subject” (22%), “school” (22%). Dessa mönster speglar datasettets tematiska kärna. Observera att geografiska markörer som “sweden” är vanliga i akademiska metadata och speglar publikationernas nationella anknytning snarare än forskningsämnet.

Ordfrekvensstabell

Notis: Datasetet innehåller 12940 rader. För bästa prestanda visas endast de 8000 med högst frekvens i tabellen.

Ordstammar

Här visas summering av ordstammar, alltså delar av ord, i datasetet som helhet. Ord har hämtats från titel, abstract och keywords. “Frekvens” är totala användningar, inklusive antal omnämningar i en och samma text, medan “publikationer” är antalet unika texter var ordet förekommer.

Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Ordfrekvenser härleds ur titlar och abstracts i datamängden. Stoppord på svenska och engelska filtreras bort före beräkning.
  • Analysen är språkberoende och sammanslår inte synonyma termer på olika språk. Ingen stemming eller lemmatisering utförs — ordformer räknas separat.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Ordfrekvenstrender

Dessa trender är indikativa och kompletterar keyword-analysen ovan.

Stigande ord: didaktik, education, educational, existential, home, hope, learning, literacy, lärarutbildning, opportunities

…och 7 ord till

Sjunkande ord: age, agency, analysing, andra, annat, attitudes, authority, authors, bara, beginning

…och 193 ord till

Nya ord (först sett 2016 eller senare): access, biesta, bildung, construct, crisis, crucial, disciplines, expected, exploration, grounded

…och 25 ord till

Analyserade 879 ord (minst 10 förekomster, minst 5 år).

Metod och begränsningar

Metodologisk notering: Ordfrekvensanalys baseras på enskilda ord extraherade från titel, abstract och keywords. Till skillnad från författarvalda keywords kan enskilda ord vara mer brusiga och tvetydiga — till exempel kan ordet ‘system’ förekomma i både tekniska och samhällsvetenskapliga sammanhang, medan keywordet ‘adaptive systems’ är mer precist. Striktare trösklar används (minst 10 förekomster, korrelation > 0,5) och akademiska stoppord är exkluderade.

Stigande/sjunkande visar trender över tid (Spearman-korrelation). Nya/försvinnande visar livscykel — när ord började eller slutade användas.

Impact och tillgänglighet
Citeringar

Analysen nedan sammanfattar citeringar i datasetet och visar trender över tid (per publiceringsår eller citeringsår, enligt respektive diagram), per forskare och för de mest citerade verken.

Informationen om publikationer har hämtats från SwePub och berikats med citeringsdata från OpenAlex.

Analysen baseras på 1104 publikationer registrerade i SwePub för perioden 1981–2026. Citeringsdata hämtas från OpenAlex och täcker 21 % av publikationerna.

Genererat från periodens data

Citeringstäckning:
Citeringsdata kunde hämtas för 22 % av publikationerna (245 av 1104). Indikatorerna beskriver den mängden och inte datasetet i sin helhet. Vid den täckningen ska de inte användas för att ordna eller jämföra mellan publiceringsår. Nämnaren är datasetet 1981–2026, 1104 publikationer.

22%
Citeringstäckning
245 av 1104 matchade mot OpenAlex

Fältnormerade mått visas inte:
Medianpercentil och andel i topp 10 % redovisas inte: 235 av 1104 publikationer (21 %) har percentildata, vilket är under gränsen på 50 %.

Kompletterande mått

Genomsnittlig FWCI redovisas inte: 235 av 1104 publikationer (21 %) har FWCI-data, vilket är under gränsen på 50 %.

Stabilitetsintervall (BCa-bootstrap)

Stabilitetsintervallet (95 %) anger det sannolika värdeintervallet om publikationsunderlaget förändrades. Beräknas via BCa-bootstrap (bias-corrected and accelerated) på publikationsnivå med 2 000 replikat. Termen och konfidensgraden följer CWTS Leiden Ranking; BCa-varianten (i stället för enkel percentile-bootstrap) är metodologiskt starkare. Visas inte när underlaget är för litet (FWCI: n < 10; PP(topp 10 %) och PP(topp 1 %): n < 30) eller när percentiltäckningen är låg (< 50 %). Waltman et al. (2012), DiCiccio et al. (1996)

FWCI: 3.41 (osäkerhetsintervall 2.71–4.57)

Inget stabilitetsintervall för Topp 10 %, perioden 1981–2026: percentiltäckning 21.3 % (kräver minst 50 %).
Inget stabilitetsintervall för Topp 1 %: percentiltäckning 21.3 % (kräver minst 50 %).

Citeringssiffror visas inte:
Median, snitt och andel ociterade redovisas inte: endast 245 av 1104 publikationer (22 %) kunde matchas mot citeringsdata, vilket är under gränsen på 50 %.

Citeringar per citeringsår: mest citerade publikationer

Diagrammet visar hur de mest citerade publikationernas citeringar har ackumulerats per citeringsår, alltså det år citeringarna gjordes. Äldre publikationer har haft längre tid att ackumulera citeringar.

Grå staplar markerar publikationer från 2025–2026, vars citeringsdata är ofullständiga: de har inte hunnit ackumulera citeringar i samma utsträckning som äldre publikationer.

Mest citerade publikationer
Metod och begränsningar
Datakälla
SwePub + OpenAlex (hämtad 2026-10-08)
Tidsperiod
1981–2026
Citeringsmått
Fältnormerad percentil (0–100), PP(topp 10 %), PP(topp 1 %)
Räknemetod
Ej tillämplig — ett citeringstal per publikation
Begränsningar
  • Median används som primärt centralmått eftersom citeringsfördelningar är kraftigt snedfördelade. Medelvärde visas som kompletterande kontext.
  • Nyare publikationer har haft kortare tid att ackumulera citeringar (fönstereffekten). Lägre tal för nya publikationer är förväntat och indikerar inte lägre kvalitet.
  • Talen i avsnittet gäller olika populationer, och varje population är en delmängd av den föregående: 1104 publikationer i korpusen, 248 med DOI (förutsättning för matchning), 245 matchade mot OpenAlex (täckningen), 235 med percentilvärde och 172 med minst en citering. Endast matchningsgraden kallas täckning; övriga tal namnger sin egen population.
  • Fältnormalisering baseras på OpenAlex percentiler, beräknade mot år, publikationstyp och OpenAlex algoritmiska ämnesindelning (ca 250 subfields). Denna indelning är inte identisk med HSV/UKÄ eller OECD FoS — den bygger på automatiserad klustring, inte manuell klassificering. Percentilerna är därför inte direkt jämförbara med ämnesfördelningen i övriga delar av rapporten.
  • OpenAlex täckning varierar mellan ämnen. Humaniora och nationella tidskrifter är underrepresenterade, vilket kan påverka percentilvärden.
  • OpenAlex percentiler räknas om löpande. Värden kan förändras retroaktivt när databasen uppdateras.
  • Full räkning används: varje publikation räknas en gång oavsett antal medförfattare. För enheter med hög samarbetsgrad kan detta ge högre citeringstal än fraktionerad räkning. Fraktionerad räkning är inte möjlig med tillgänglig API-data.
  • Självcitering särskiljs inte — citeringstal inkluderar både externa och egna citeringar. För små dataset kan självciteringsandelen vara betydande. Att redovisa självcitering separat lyfts fram som god praxis i Leiden-manifestets princip 9 om öppen och kontextualiserad indikatoranvändning. Exkludering kräver att varje citerande verk granskas mot publikationens författare — ett separat analyssteg som inte ingår i nuvarande pipeline. Hicks et al. (2015); Waltman et al. (2019)
  • Citeringstalen är inte tidsjusterade: äldre publikationer har haft mer tid att ackumulera citeringar. Ett citeringstal från ett publiceringsår kan därför inte jämföras rakt med ett från ett annat. Adams (2018)
  • Citatbaserade tidsserier är Type 1-serier (diachronous): nyare publikationsår har kortare citeringsperiod, vilket skapar en strukturell nedgång i slutet av serien — inte nödvändigtvis en reell förändring. Adams (2018)
  • Indikatorerna i denna sektion är citizen bibliometrics — lämpliga för interna jämförelser inom samma ämnesområde men inte för tvärdisciplinära jämförelser utan fältnormalisering. Bornmann et al. (2018)

Notera: Citeringsdata är ackumulerade totalsummor hämtade från OpenAlex — de visar hur många gånger varje publikation citerats sedan den publicerades. Publikationer från senare publiceringsår har haft kortare tid att ackumulera citeringar, vilket bör beaktas vid jämförelser mellan publiceringsår.

Om jämförbarhet: Fältnormerade percentiler från OpenAlex (normerat mot år, publikationstyp och ämnesområde). 128 publikationer (12 %) är från 2025–2026 och kan ha underskattade percentiler.

Självcitering: Citeringstalen i denna rapport inkluderar både externa citeringar och självciteringar. Andelen självcitering kan vara betydande för individer och för små dataset. Se metodkortet nedan för detaljer. Hicks et al. (2015)

Om FWCI (citeringsgenomslag): FWCI (Field-Weighted Citation Impact) mäter hur mycket en publikation citerats jämfört med vad som är förväntat för just den typen av forskning, publiceringsåret och ämnesområdet, internationellt sett. FWCI = 1,0 är det förväntade värdet: det antal citeringar som är typiskt för liknande publikationer globalt. Under 1,0 innebär färre citeringar än förväntat; 1,5 innebär 50 % fler; 2,0 innebär dubbelt så många. Normalisering mot fält är nödvändig eftersom citeringskulturen skiljer sig kraftigt. Medicin citerar mer frekvent än matematik, vilket gör direkta jämförelser missvisande. Data kommer från OpenAlex. Observera att ett fåtal enskilda högt citerade publikationer kan dra upp siffran markant, och att måttet kräver tillräckligt underlag (minst 10 publikationer med citeringsdata).

Om PP(topp 10 %), citeringsgenomslag: PP(topp 10 %) mäter andelen av en grupps publikationer som tillhör de 10 % mest citerade i sitt ämnesområde och publiceringsår, internationellt sett. Referensvärdet är 10 %: om en grupp publicerade helt genomsnittligt skulle just 10 % hamna bland de översta. Över 10 % innebär att en större andel än förväntat får hög citeringsgenomslag; under 10 % innebär det motsatta. Måttet är fältnormaliserat, vilket innebär att varje publikation jämförs med andra publikationer i samma ämne och år. Det undviker därmed problemet att exempelvis medicinsk forskning generellt citeras mer än matematisk. Data kommer från OpenAlex. Observera att små dataset kan ge stora slumpmässiga variationer, och att nyligen publicerade artiklar ofta saknar tillräcklig citeringshistorik för en rättvisande placering.

Citeringar visar hur ofta andra forskare refererar till dessa publikationer i sina egna verk. Höga citeringstal indikerar att forskningen har fått genomslag inom sitt fält.

Open Access
59%
Open Access
2026: 95% ▲
7%
Green OA
1981–2026

OA-analysen baseras på 245 publikationer med DOI som matchats mot OpenAlex (22% av totalt 1104). 856 publikationer saknar DOI och ingår därför inte i OA-statistiken. För datasetet ligger andelen öppet licensierade mellan 13 och 91 procent, beroende på hur de 856 utan DOI faller ut. Åt vilket håll de faller går inte att avgöra ur materialet.

Förklaring av Open Access-kategorier
  • Gold OA: Publicerad i en helt öppen tidskrift (oftast med publiceringskostnad/APC).
  • Green OA: Fritt tillgänglig via ett öppet arkiv (t.ex. lärosätets repositorium), typiskt efter en embargoperiod på 6–12 månader, även om tidskriften inte är öppen.
  • Hybrid: Publicerad som öppen artikel i en annars prenumerationsbaserad tidskrift (oftast med APC).
  • Bronze: Fritt läsbar på förlagets webbplats men utan tydlig öppen licens (kan försvinna). Räknas inte i OA-andelen eftersom det saknas formell öppen licens (BOAI/Berlindeklarationen).
  • Diamond: Publicerad i en tidskrift som är helt öppen utan författaravgifter (APC). Ofta finansierad av institutioner eller organisationer.
  • Closed: Inte fritt tillgänglig — kräver prenumeration eller köp.
Detaljerad fördelning per OA-typ

Insikter
OA-andelen gick från 33,3 % till 95% (+62,2 procentenheter) under perioden 2007–2026. Hybrid stod för den största ökningen (+29,3 procentenheter). Green OA utgör 6,9 %, tillgängliga via öppet arkiv efter embargoperiod (typiskt 6–12 månader); nyare publikationer kan ännu inte vara fritt tillgängliga. Diamond OA (inga avgifter för vare sig författare eller läsare) utgör 19,2 %.

Open Access-typer över tid
Öppen/stängd per år (absolut)
Metod och begränsningar
Datakälla
SwePub + OpenAlex (Unpaywall) Piwowar et al. (2018)
Tidsperiod
1981–2026
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • OA-status hämtas från OpenAlex (baserat på Unpaywall) och kan avvika från förlagets aktuella status. Retroaktiva förändringar i OA-status fångas inte alltid upp.
  • Tidsserien för Green OA visar nulägets andel per publiceringsår — inte när artikeln faktiskt blev öppet tillgänglig. Retroaktiv självarkivering (backfilling) innebär att äldre år kan visa högre Green OA-andel än vid publiceringstillfället.
  • OA-data hämtas från OpenAlex/Unpaywall. Täckningen är ofullständig — verklig OA-andel kan vara högre än rapporterat, särskilt för äldre publikationer och för material arkiverat i system utanför Unpaywall.
  • Bronze OA (fritt läsbar utan öppen licens) exkluderas från OA-andelen sedan Bifrost v0.8.0, i enlighet med BOAI/Berlindeklarationens krav på öppen licens. Jämförelser med rapporter genererade med äldre versioner kan visa lägre OA-andelar för samma period. Bronze visas fortfarande i diagram och tabeller.
  • Konfidensintervall för OA-andelar beräknas med Wilson score-metoden, vilken ger tillförlitliga intervall även vid små urval. Wilson (1927)

Procenttalen avser de publikationer som har en OA-status under perioden 1981–2026, sammanslagna: 245 av 1104 i rapporten. Publikationer utan OA-status placeras inte i någon grupp; det gäller 859 av 1104. Grupperingen följer licensprincip: Gold, Diamond och Hybrid är förlagsöppna med öppen licens, medan Green är parallellpublicerad i ett öppet arkiv. Bronze är fritt läsbar hos förlaget men saknar öppen licens och redovisas därför som egen indragen rad; dess antal ingår i gruppsumman på raden ovanför. Bronze räknas inte som öppen i rapportens OA-andel, eftersom BOAI och cOAlition S kräver öppen licens, och redovisas därför under Ej öppen. Tabellen och OA-andelen räknar alltså samma statusar som öppna. Gold: publicerad i en helt öppen tidskrift, operativt en tidskrift som är DOAJ-listad (oftast med publiceringsavgift/APC). Diamond: publicerad i en helt öppen tidskrift utan författaravgifter, ofta finansierad av institutioner eller organisationer. Hybrid: publicerad som öppen artikel i en annars prenumerationsbaserad tidskrift (oftast med APC). Green: fritt läsbar via ett öppet arkiv, ofta efter embargo, medan förlagsversionen är betalspärrad — kategorierna är exklusiva och förlagshostat innehåll går före, så green är restposten “fri bara i arkiv” och är systematiskt underräknad. Arkivkopian är dessutom ofta ett accepterat manuskript snarare än den citerbara versionen, och bär valfri licens eller ingen. Det senare är skälet till att green redovisas i den mellersta gruppen. Bronze: fritt läsbar på förlagets webbplats men utan tydlig öppen licens, och det är inte klarlagt om tillgången är tillfällig eller permanent. I källtaxonomin (Piwowar m.fl. 2018) räknas bronze som öppet; att den inte ingår i den här rapportens OA-andel är ett val i Bifrost, motiverat av licenskravet i BOAI, och följer alltså inte av taxonomin. Closed: inte fritt tillgänglig — kräver prenumeration eller köp.

245 av 248 publikationer med DOI matchades mot OpenAlex och fick OA-status (99%). OA-status är hämtad från OpenAlex (baserad på Unpaywall). OA-status kan vara retroaktivt klassificerad — en publikation som idag är fritt tillgänglig kan ha varit stängd vid publiceringstillfället. Trenden bör därför tolkas med försiktighet, särskilt för äldre publikationer. Green OA-klassificering baseras på förekomsten av en version i öppet arkiv, oavsett om eventuell embargoperiod har löpt ut — Green OA-andelen kan därför vara överskattad för nyare publikationer.

Publikationer
Avhandlingar

Första doktorsavhandlingen i datasetet är från år 1981, Exit eforus: läroverkens sekularisering och striden om kristendomsundervisningen Thelin, Bengt. Sedan dess och fram till 2025 har totalt 49 avhandlingar registrerats. Av dem är 39 doktorsavhandlingar och 10 licentiatavhandlingar.

49
Avhandlingar
2026: 0 ▼
Handledare
Opponenter
Metod och begränsningar
Datakälla
SwePub
Tidsperiod
1981–2025
Räknemetod
Full räkning — varje publikation räknas som en enhet
Begränsningar
  • Avhandlingsdata hämtas från vald datakälla. Uppgifter om typ, handledare och opponent är beroende av hur den registrerande institutionen har angivit informationen.
  • Täckningen kan vara ofullständig: avhandlingar som inte registrerats i datakällan syns inte i analysen. Historiska avhandlingar är ofta underrepresenterade.
  • Data speglar publiceringsaktivitet hämtad från SwePub och kan avvika från lärosätets interna statistik.
Publikationer

En komplett lista av sökningens resultat. Initialt sorterat efter år (fallande) och författare (stigande). Ändra ordningen vid kolumnrubriken. Sökning kan göras över alla visade fält.


Metodreferenser

Adams, J. (2018). Information and misinformation in bibliometric time-trend analysis. Journal of Informetrics, 12(4), 1063–1071. https://doi.org/10.1016/j.joi.2018.08.009

Bornmann, L., & Marx, W. (2018). Critical rationalism and the search for standard (field-normalized) indicators in bibliometrics. Journal of Informetrics, 12(3), 598–604. https://doi.org/10.1016/j.joi.2018.05.002

CoARA (2022). Agreement on Reforming Research Assessment. https://coara.eu/agreement/the-agreement-full-text/

DiCiccio, T. J., & Efron, B. (1996). Bootstrap confidence intervals. Statistical Science, 11(3), 189–228. https://doi.org/10.1214/ss/1032280214

DORA (2012). San Francisco Declaration on Research Assessment. https://sfdora.org/read/

Hicks, D., Wouters, P., Waltman, L., de Rijcke, S., & Rafols, I. (2015). Bibliometrics: The Leiden Manifesto for research metrics. Nature, 520(7548), 429–431. https://doi.org/10.1038/520429a

Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259. https://doi.org/10.2307/1907187

Neal, Z. P. (2022). backbone: An R package to extract network backbones. PLOS ONE, 17(5), e0269137. https://doi.org/10.1371/journal.pone.0269137

Newman, M. E. J. (2004). Analysis of weighted networks. Physical Review E, 70(5), 056131. https://doi.org/10.1103/PhysRevE.70.056131

Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245–251. https://doi.org/10.1016/j.socnet.2010.03.006

Perianes-Rodriguez, A., Waltman, L., & Van Eck, N. J. (2016). Constructing bibliometric networks: A comparison between full and fractional counting. Journal of Informetrics, 10(4), 1178–1195. https://doi.org/10.1016/j.joi.2016.10.006

Piwowar, H., Priem, J., Larivière, V., Alperin, J. P., Matthias, L., Norlander, B., Farley, A., West, J., & Haustein, S. (2018). The state of OA: A large-scale analysis of the prevalence and impact of Open Access articles. PeerJ, 6, e4375. https://doi.org/10.7717/peerj.4375

Sen, P. K. (1968). Estimates of the regression coefficient based on Kendall’s tau. Journal of the American Statistical Association, 63(324), 1379–1389. https://doi.org/10.2307/2285891

Serrano, M. Á., Boguñá, M., & Vespignani, A. (2009). Extracting the multiscale backbone of complex weighted networks. Proceedings of the National Academy of Sciences, 106(16), 6483–6488. https://doi.org/10.1073/pnas.0808904106

Stirling, A. (2007). A general framework for analysing diversity in science, technology and society. Journal of The Royal Society Interface, 4(15), 707–719. https://doi.org/10.1098/rsif.2007.0213

Traag, V. A., Waltman, L., & Van Eck, N. J. (2019). From Louvain to Leiden: guaranteeing well-connected communities. Scientific Reports, 9, 5233. https://doi.org/10.1038/s41598-019-41695-z

Van Eck, N. J., & Waltman, L. (2009). How to normalize cooccurrence data? An analysis of some well-known similarity measures. Journal of the American Society for Information Science and Technology, 60(8), 1635–1651. https://doi.org/10.1002/asi.21075

Van Eck, N. J., & Waltman, L. (2014). Visualizing bibliometric networks. In Ding, Y., Rousseau, R., & Wolfram, D. (Ed.), Measuring Scholarly Impact: Methods and Practice (pp. 285–320). Springer. https://doi.org/10.1007/978-3-319-10377-8_13

Waltman, L., Calero-Medina, C., Kosten, J., Noyons, E. C. M., Tijssen, R. J. W., van Eck, N. J., van Leeuwen, T. N., van Raan, A. F. J., Visser, M. S., & Wouters, P. (2012). The Leiden Ranking 2011/2012: Data collection, indicators, and interpretation. Journal of the American Society for Information Science and Technology, 63(12), 2419–2432. https://doi.org/10.1002/asi.22708

Waltman, L., & Van Eck, N. J. (2019). Field Normalization of Scientometric Indicators. In Springer Handbook of Science and Technology Indicators (pp. 281–300). https://doi.org/10.1007/978-3-030-02511-3_11

Wilson, E. B. (1927). Probable inference, the law of succession, and statistical inference. Journal of the American Statistical Association, 22(158), 209–212.