Bifrost®: Uppsatser i samhällskunskap (-2025)

v. dev (8f744784)

Niemi, Kristian. (2026, 24 april). Bifrost®-analys: Uppsatser i samhällskunskap (-2025). Karlstads universitet. https://bifrost.kau.se/kau/uppsatser/uppsatser_i_samhallskunskap__-2025_.html

361
Studentuppsatser
2025: 45 ▲
+5.7%
Årlig tillväxttakt (CAGR)
Genomsnittlig tillväxt per år: 2001–2025
350
Studenter
2025: 43 ▲
Om nyckeltalen

Nyckeltalen sammanfattar rapportens centrala indikatorer. Alla värden beräknas från det underliggande datamaterialet och avser hela perioden 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.

Följande sökfråga användes:
(kau) till 2025 begränsat till publikationstyper(studentThesis) och kursämne(5804)
Databas: DiVA
Publicering
Ämnesområden
Nyckelord
HSV-ämneskategorier har filtrerats bort från keywords

genus; ekonomi; barn; learning; artificiell intelligens (ai); artificial intelligence (ai)

1 119
Unika nyckelord
2025: 210 ▲
social studies (8%)
Vanligaste nyckelord
2025: demokrati

Insikter
Bred nyckelordsprofil — ingen enskild term dominerar (HHI: 0.0021 — Herfindahl-Hirschman Index, där 0 = perfekt jämn fördelning, 1 = en term dominerar helt). Vanligast är “social studies” som förekommer i 8 % av publikationerna, fördelat över totalt 1119.

Nyckelord som exkluderats manuellt

samhällskunskap

Färger indikerar frekvenskvantiler inom detta dataset.

Röd: Högsta frekvens (8-6.46%); Blå: Hög frekvens (6.46-4.92%); Grön: Medelhög frekvens (4.92-3.38%); Orange: Låg frekvens (3.38-1.84%); Grå: Lägsta frekvens (1.84-0.3%)

Nyckelordstrender
Metod och begränsningar
Datakälla
DiVA
Tidsperiod
2001–2025
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 registrerad i DiVA och kan avvika från lärosätets interna statistik.
Nyckelordstrender

Datasetet innehåller 361 publikationer. En lägre korrelationströskel (|r| ≥ 0.4) används för att identifiera potentiella trender i mindre dataset.

Sjunkande nyckelord: undervisning, läromedel, education

Nyckelordsinsikter

Nya och framväxande teman

Jämförelse av relativ frekvens (andel av publikationer) mellan perioderna 2001–2022 och 2023–2025.

Fördjupad analys visas för nyckelord med minst 6 publikationer i fokusperioden. Gränsen följer Pearson-korrelationens krav på minst fyra frihetsgrader (n‑ 2 ≥ 4).

En växande trend kan indikera ökat forskningsintresse, men också bero på terminologiska skiften.

Nya nyckelord (ej förekommande 2001–2022): israel, kontroversiella ämnen, source criticism, 2003, ai

Snabbt växande nyckelord – fördjupning

Följande nyckelord visar kraftig tillväxt jämfört med basperioden, vilket kan indikera ökande forskningsintresse.

social studies (+98%, n=29)

Tillväxtperiod: 2019–2025

Drivande aktörer (tillväxt) (tillväxtperioden 2019–2025):

Studenter: Ahlberg, Frida (1), Ajobkhan, Motaleb (1), Aldeland, Leo (1), Andersson, Jemima (1), Byström, Dan (1)

Lärosäten: Karlstads universitet (26)

Samvarierande nyckelord: samhällskunskap, läromedel, mellanstadiet

Senaste 3 åren: 13 publikationer

samhällskunskapslärare (+193%, n=11)

Tillväxtperiod: 2022–2025

Drivande aktörer (tillväxt) (tillväxtperioden 2022–2025):

Studenter: Elmér, Emma (2), Karlsson, Linus (1), Modig, Wilma (1)

Lärosäten: Karlstads universitet (7)

Samvarierande nyckelord: samhällskunskap, social studies, demokrati

Senaste 3 åren: 6 publikationer

Analys baserad på ett begränsat antal publikationer (n = 11). Resultaten bör tolkas med försiktighet.

demokrati (+163%, n=27)

Tillväxtperiod: 2019–2025

Drivande aktörer (tillväxt) (tillväxtperioden 2019–2025):

Studenter: Dibéus, Filip (1), Elmér, Emma (1), Eriksson, Ludwig (1), Friberg, Marcus (1), Garmiani, Zhila (1)

Lärosäten: Karlstads universitet (22)

Samvarierande nyckelord: democracy, samhällskunskap, curriculum

Senaste 3 åren: 14 publikationer

lågstadiet (+1119%, n=6)

Tillväxtperiod: 2023–2025

Drivande aktörer (tillväxt) (tillväxtperioden 2023–2025):

Studenter: Berglund, Linn (1), Flink, Emilia (1), Holmberg, Emily (1)

Lärosäten: Karlstads universitet (4)

Samvarierande nyckelord: läroböcker, samhällskunskap, textbooks

Senaste 3 åren: 5 publikationer

Analys baserad på ett begränsat antal publikationer (n = 6). Resultaten bör tolkas med försiktighet.

kontroversiella frågor (+205%, n=9)

Tillväxtperiod: 2022–2025

Drivande aktörer (tillväxt) (tillväxtperioden 2022–2025):

Studenter: Abrahamsson, Judit (1), Andersson Kåwe, Matilda (1), Holmberg, Emily (1)

Lärosäten: Karlstads universitet (6)

Samvarierande nyckelord: samhällskunskap, demokrati, controversial issues

Senaste 3 åren: 5 publikationer

Analys baserad på ett begränsat antal publikationer (n = 9). Resultaten bör tolkas med försiktighet.

Visar de 5 nyckelord med starkast statistisk evidens av totalt 28 identifierade. Urvalet baseras på signifikans (p < 0.05) och korrelationsstyrka (Kendalls tau).

Övriga växande nyckelord (lägre statistisk evidens): källkritik (+144%, n=6), privatekonomi (+144%, n=6), utbildning (+144%, n=6), läroplan (+83%, n=7), samhällskunskapsdidaktik (+83%, n=7), critical thinking (+631%, n=4), demokratiundervisning (+631%, n=4), sociala medier (+631%, n=4), demokratimodeller (+388%, n=3), medborgarkompetenser (+388%, n=3), migration (+388%, n=3), nyhetsbevakning (+388%, n=3), politics (+388%, n=3), realism (+388%, n=3), social studies didactics (+388%, n=3), ungdomar (+388%, n=3), usa (+388%, n=3), kritiskt tänkande (+266%, n=5), likvärdighet (+266%, n=5), elevperspektiv (+144%, n=4), politik (+144%, n=4), tpack (+144%, n=4), textbooks (+63%, n=5)

Statistiska trender

Inga stigande trender identifierades. Nedan visas istället djupanalys av sjunkande keywords. Dessa kan indikera ämnesområden som minskar i aktualitet eller forskningsintresse.

Flera nyckelord i denna sektion förekommer även under Snabbt växande nyckelord. Det är förväntat: snabb relativ tillväxt och statistisk signifikans är kompletterande mått, inte synonyma.

Avtagande teman
Stadig nedgång

Följande keywords visar en stadig nedgång över hela tidsperioden, utan att ha haft en tydlig burst-period tidigare:

En avtagande trend kan spegla minskat forskningsintresse eller en övergång till nyare termer för samma forskningsområde.

läroböcker ~ (r = -0.54)

Tidiga publicerare (2014–2017):

Studenter: Björklund, Emil (1)

Mest aktiva period (2019–2021, 7 publikationer):

Studenter: Andersson, Jonathan (1), Blomkvist, Linnea (1), Gustavsson, Johanna (1)

Lärosäten: Karlstads universitet (6)

Samvarierande keywords: samhällskunskap, textbooks, demokrati

Senaste 3 åren: 4 publikationer

Obs: En minskande trend kan indikera terminologisk förskjutning snarare än minskat forskningsintresse.

social science ~ (r = -0.80)

Tidiga publicerare (2018–2019):

Studenter: Henriksen, Olle (1), Johansson, Johanna (1), Karlsson, Påhl (1)

Mest aktiva period (2019–2021, 11 publikationer):

Studenter: Borg, Linnea (1), Böjeryd, Julia (1), Henriksen, Olle (1)

Lärosäten: Karlstads universitet (11)

Samvarierande keywords: samhällskunskap, democracy, demokrati

Senaste 3 åren: 11 publikationer

Obs: En minskande trend kan indikera terminologisk förskjutning snarare än minskat forskningsintresse.

Metod och begränsningar
Datakälla
DiVA
Tidsperiod
2001–2025
Räknemetod
Burstdetektering använder en automaton-modell implementerad via bursts-paketet. Metoden identifierar perioder med statistiskt signifikant ökad förekomst av enskilda nyckelord. Kleinberg (2003)
Begränsningar
  • Burstdetektering kräver minst 5–10 års data för tillförlitliga resultat. Korta tidsserier kan ge instabila eller missvisande burst-perioder.
  • 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 registrerad i DiVA och kan avvika från lärosätets interna statistik.
Samförekomst av nyckelord

Heatmappen visar hur ofta nyckelord förekommer tillsammans i samma publikationer. Association strength Van Eck et al. (2009) normaliserar samförekomsten mot produkten av de enskilda nyckelordfrekvenserna. Röda asterisker (✱) i rutornas övre högra hörn markerar statistiskt signifikanta samförekomster (p < 0.05).

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.
Metod och begränsningar
Datakälla
DiVA
Tidsperiod
2001–2025
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
  • 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)
  • 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.
  • Heatmappen visar de 15 mest förekommande nyckelorden (sorterade efter dokumentfrekvens). Nyckelord under minimifrekvenströskeln exkluderas. Antalet kan justeras i rapportkonfigurationen.
  • Signifikanstestning använder hypergeometrisk fördelning på parnivå. Ingen korrigering för multipel testning tillämpas — analysen är explorativ, inte konfirmativ.
  • Heatmappen förblir läsbar upp till top_n ≤ 25. För större datamängder — se även nyckelordsnätverket.
  • Färgskalan på heatmappen klipps vid 95:e percentilen av observerade associationsstyrkor. 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. Faktiska maxvärden visas i tabellen över toppar.
  • 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 registrerad i DiVA 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 statistiskt signifikanta kanterna 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.

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
DiVA
Tidsperiod
2001–2025
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
  • SDSM-filtret testar varje keywords-par mot en stokastisk nollmodell som kontrollerar för både nyckelordsfrekvens och antal nyckelord per publikation. Kanter som inte avviker signifikant 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 begränsas till de mest frekventa nyckelorden (top N). Sällsynta nyckelord exkluderas, vilket kan dölja framväxande ämnesområden.
  • Backbone-filtrering tillämpas adaptivt: under 50 noder ingen filtrering, 50–99 noder kvantiltröskel (median), 100–149 noder disparity-filter α=0,20, ≥ 150 noder α=0,10. Gränserna är ingejörsheuristik, inte metodologiskt grundade.
  • 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.
  • Antalet nyckelord i nätverket anpassas efter materialet: cirka 30 % av de unika nyckelorden tas med, dock minst 60 och högst 250. Av dessa visas initialt cirka 65 % (minst 30, högst 70 noder) för att hålla grafen läsbar. Övriga nyckelord kan läggas till via reglaget under grafen. Gränserna finns för att undvika både glesa och överbelastade nätverk.
  • 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 registrerad i DiVA 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.

9 436
Unika ord
samhällskunskap (48.2%)
Vanligaste ord

Insikter
De 5 vanligaste orden (efter andel publikationer) är: “samhällskunskap” (48%), “school” (43%), “social” (41%), “teachers” (41%), “students” (40%). Dessa mönster speglar datasettets tematiska kärna.

Ordfrekvensstabell

Notis: Datasetet innehåller 9436 rader. För bästa prestanda visas endast de 8000 med högst frekvens i tabellen.

Ifall du vill undersöka frevkensen av några särskilda ord mer noggrant, ange dem i variabeln ‘to_stem’.

Metod och begränsningar
Datakälla
DiVA
Tidsperiod
2001–2025
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 registrerad i DiVA och kan avvika från lärosätets interna statistik.
Ordfrekvenstrender

Dessa trender är indikativa och kompletterar keyword-analysen ovan.

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.

Inga statistiskt signifikanta trender identifierades bland de vanligaste orden.

Publikationer
Handledare och examinatorer
Studentuppsatser

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.

Ladda ner RIS-fil Ladda ner BibTeX-fil Ladda ner Excel-fil


Metodreferenser

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

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

Kleinberg, J (2003). Bursty and hierarchical structure in streams. Data Mining and Knowledge Discovery, 7(4), 373–397. https://doi.org/10.1023/A:1024940629314

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

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

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