Структура обзорной статьи для журналов SCI

«До коммунизма мы ещё не дошли, так что надо говорить о практическом». —— документальный фильм «В Китае появился Мао Цзэдун»

Твёрдо стоять на земле и смотреть на звёзды: мысли великих людей всегда стоит изучать.

Предисловие

Как видно из предыдущей записи «Структура оригинальной научной статьи для журналов SCI», в оригинальной научной статье заглавие, аннотация, введение, обсуждение и заключение почти неизменны и пишутся по шаблону. Пишете ли вы научную или обзорную статью, если не знаете, с чего начать, или плохо знаете область и не понимаете многих терминов, найдите хорошие обзорные статьи по своей теме и прочитайте их. Разберитесь в каждой теории и каждом термине, внимательно дочитайте обзор до конца, и обычно у вас появится первое представление о том, как писать по этой теме.

В обзорных статьях переменных ещё меньше, но в целом всё так же: заглавие, аннотация, введение, обсуждение и заключение почти неизменны и пишутся по шаблону, а среднюю часть (конкретный количественный и качественный анализ) можно свободно развивать с творческим подходом и воображением на основе шаблона.

Прежде чем начать, нужно понять одно: все обзоры по сути одинаковы, поэтому чтобы попасть в хороший журнал, нужно написать обзор лучше, чем у других. В более широком смысле, пишете ли вы обзорную статью или обзорную часть введения научной статьи, главное конкурентное преимущество — методы анализа. Итог обзора любой темы сводится к одному: что сделано, что не сделано и что ещё можно сделать.

Допустим, вы с помощью более новых или продвинутых методов математической статистики, библиометрического анализа или расчётных моделей получаете выводы, а затем анализируете эти статистические выводы дальше и приходите к более глубоким (какие направления изучены, какие нет, какие ещё можно изучить, какими заниматься нельзя, плюсы и минусы каждого направления, почему ими стоит заниматься). В конце концов, наука — это матрёшка. Помните: обзор-перечисление без собственных глубоких выводов бессмыслен, и его не примут.

Цели обзора:

(1) Показать читателю, как развивалась тема

(2) Показать существующие методы и принципы по теме и прогресс каждого метода

(3) Показать тенденции, направления, пробелы и возможности темы

(4) Проанализировать существующие результаты математическими, модельными, библиометрическими и другими статистическими методами

О количестве ссылок: в англоязычном обзоре их должно быть не меньше 100, в китайскоязычном — не меньше 80.

Как и в предыдущей записи, разделим статью на части и разберём структуру обзора от начала до конца.

Из чего состоит обзорная статья в журнале SCI

Структура обзорной статьи очень проста:

Аннотация, Введение, Методология, Количественный библиометрический анализ, Качественный анализ подтем, Математико-статистический анализ, Обсуждение, Заключение

Как и для научных статей, писать обычно начинают с середины, а затем края:

1. Методология (Methods)

2. Количественный библиометрический анализ (Quantitative Bibliometric Analysis)

3. Качественный анализ подтем (Qualitative Subtopic Analysis)

4. Математико-статистический анализ (Mathematical Statistical Analysis)

5. Сравнительный анализ (Comparative Analysis)

6. Обсуждение (Discussion)

7. Заключение (Conclusion)

8. Введение (Introduction)

9. Аннотация (Abstract)

В основном мы разберём две статьи-примера:

(1) A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications [1] — типичный обзор, анализ в котором состоит только из нескольких подтем.

(2) Comprehensive analysis of the relationship between thermal comfort and building control research - A data-driven literature review [2] — обзор, сочетающий библиометрический анализ и другие количественные статистические методы.

Как и раньше, разбираем структуру в порядке чтения.

Заглавие (Title)

Как и в «Структуре оригинальной научной статьи для журналов SCI», заглавие — первое, что видит рецензент, и первый критерий решения, рецензировать статью или отклонить.

Заглавие обзора можно собрать из частей шаблона, а можно написать свободно. Но оно обязательно должно относиться к конкретной теме, а не быть общим. Например, «Обзор исследований несущей способности сборных балок в сборных зданиях» не годится. Заглавие нужно сузить до конкретного содержания и темы, например: «Обзор исследований работы под нагрузкой (горизонтальных/вертикальных или определённого типа) сборных балок в сборных зданиях (в условиях XX) (при однократном/циклическом или ином нагружении)».

Шаблон	Заглавие	Перевод
Свободный	Exploring an unknown territory: “Sleeping Beauties” in the nursing research literature [3]	Исследуя неизвестную территорию: «спящие красавицы» в литературе по сестринскому делу
Прямо в точку	Structure and patterns of cross-national Big Data research collaborations. [4]	Структура и закономерности международного сотрудничества в исследованиях больших данных
Тема + метод анализа + свободная часть	The Circular Economy Umbrella: Trends and Gaps on Integrating Pathways. [5]	«Зонтик» циркулярной экономики: тенденции и пробелы в интеграции путей
Тема + литературный обзор	Reverse logistics for the end-of-life of and end-of-use products in the pharmaceutical industry: A systematic literature review. [6]	Обратная логистика для продукции фармацевтической отрасли с истёкшим сроком службы и использования: систематический обзор литературы
Вопрос + метод (включая метод в методе)	Is autoimmunology a discipline of its own? A big data-based bibliometric and scientometric analyses. [7]	Является ли аутоиммунология самостоятельной дисциплиной? Библиометрический и наукометрический анализ на основе больших данных
Тема + новый метод	Climate change and viticulture-a quantitative analysis of a highly dynamic research field. [8]	Изменение климата и виноградарство: количественный анализ быстро развивающейся области
…	…	…

Если хороших идей для статьи нет, в конечном счёте это потому, что вы мало читали. Журнальные статьи не так уж шаблонны: в заглавии можно использовать метафоры и другие образные приёмы. Конечно, подумайте трижды и взвесьте все за и против.

Кроме того, обзор не обязательно анализирует только статьи. В обзоре можно использовать и патенты, и даже написать отдельный обзор патентов. Например:

Patent citations analysis and its value in research evaluation: A review and a new approach to map technology-relevant research (Анализ патентных цитирований и его ценность для оценки исследований: обзор и новый подход к картированию технологически значимых исследований). [9]

Поэтому новые методы и новые идеи очень важны. Хорошая тема сама по себе может дать очень хорошую статью, научную или обзорную: если её никто не изучал, а вы до неё додумались, это хорошая тема (если она не оторвана от реальности). Вот пример:

ChatGPT or Bard: Who is a better Certified Ethical Hacker? (ChatGPT или Bard: кто лучше как сертифицированный этичный хакер?) [10]

Вот откуда берётся хорошая тема: доступные инструменты, немного новизны и вопрос, который никто не изучал.

Аннотация (Abstract)

На примере статьи «Comprehensive analysis of the relationship between thermal comfort and building control research - A data-driven literature review» посмотрим, из чего состоит её аннотация:

1. Предпосылки
2. Постановка проблемы
3. Подход к решению проблемы
4. Метод обзора
5. Общий ход обзора
6. Результаты, выводы и направления

Buildings are responsible for about 30–40% of global energy demand. At the same time, we humans spend almost our entire life, up to 80–90% of the time, inside of buildings. Reducing energy demand through optimal operation is the subject of building control research, while human satisfaction in buildings is studied in the thermal comfort community. Thus, balancing the two is necessary for a sustainable and comfortable building stock. We review both research fields and their relationship using a data-driven approach. Based on specific search terms, all relevant abstracts from the Web Of Science database are downloaded and analyzed using the text mining software VOSviewer. We visualize the scientific landscapes of historic and recent trends, and analyze the citation network to investigate the interaction between thermal comfort and building control research. We find that building control focuses predominantly on energy savings rather than incorporating results from thermal comfort, especially when it comes to occupant satisfaction. We identify potential research directions in terms of bridging the two fields.

1. Вступительные предпосылки

«На здания приходится около 30–40 % мирового энергопотребления. При этом люди проводят в зданиях почти всю жизнь — до 80–90 % времени».

Задаётся технический контекст, а проценты привлекают внимание читателя.

2. Постановка проблемы

«Снижение энергопотребления за счёт оптимальной эксплуатации — предмет исследований по управлению зданиями, а удовлетворённость людей в зданиях изучает сообщество исследователей теплового комфорта».

3. Подход к решению проблемы

«Поэтому для устойчивого и комфортного фонда зданий необходимо сбалансировать оба аспекта».

4. Метод обзора

«Мы рассматриваем обе области и их связь, используя подход на основе данных. По заданным поисковым запросам все релевантные аннотации из базы Web Of Science загружены и проанализированы программой интеллектуального анализа текста VOSviewer».

5. Общий ход обзора

«Мы визуализируем научные ландшафты исторических и современных тенденций и анализируем сеть цитирований, чтобы изучить взаимодействие исследований теплового комфорта и управления зданиями».

6. Результаты, выводы и направления

«Мы обнаружили, что управление зданиями в основном ориентировано на энергосбережение, а не на учёт результатов исследований теплового комфорта, особенно в части удовлетворённости людей. Мы определили возможные направления исследований для сближения двух областей».

Введение (Introduction)

Введение обзорной статьи похоже на введение научной. Порядок примерно такой:

1. Предпосылки: расскажите историю и поставьте проблему: в … существует проблема «Q0».

   Предмет и его важность: введение сначала подчёркивает важность проблемы Q0 и потребность в ….

2. История проблемы: со ссылками на литературу опишите, как развивалась проблема Q0.

3. Обзор и анализ существующих традиционных решений: обзор литературы, затем анализ достоинств и недостатков каждого метода.

   Опишите традиционные методы и сделайте обзор: из-за ограничений … и особенностей …, например низкого …, ведущего к … (приведите конкретные инженерные или научные примеры), традиционный … имеет проблему Q1 / ограничен ….

   Далее — обзор методов решения Q1 и анализ их достоинств и недостатков.

   В конце укажите, что, несмотря на этот прогресс, проблема … сохраняется.

   И объясните механизм проблемы: почему её пока нельзя решить?

4. Анализ существующих обзоров: сделайте обзор обзорных статей предыдущих авторов и проанализируйте их.

   Нужно описать и проанализировать прежние обзоры. Если наш обзор охватывает две области, проанализируйте существующие обзоры в каждой области отдельно, а также обзоры, объединяющие обе. То есть:

   (1) Обзор существующих обзоров по области A и их недостатки

   (2) Обзор существующих обзоров по области B и их недостатки

   (3) Обзор существующих обзоров, объединяющих области A и B, и их недостатки

5. Цель и структура данного обзора:

   Подчеркните достоинства и недостатки прежних обзоров, затем обозначьте направление данного обзора и, наконец, опишите общую структуру статьи.

   На примере статьи «Comprehensive analysis of the relationship between thermal comfort and building control research - A data-driven literature review» (в пересказе):

   «Прежние обзоры анализировали каждую область отдельно или были сосредоточены на конкретных примерах. Однако, как подчёркнуто выше, энергоэффективная эксплуатация невозможна без учёта комфорта человека, что само по себе сложная тема. Поэтому цель данного обзора — дать всестороннюю картину: (1) проанализировать историческое развитие и современные тенденции, (2) изучить взаимодействие двух областей через сеть цитирований и, наконец, (3) выявить пробелы в литературе о тепловом комфорте и управлении зданиями.

   Далее статья построена так. В разделе 2 описан метод обзора на основе данных. В разделе 3 сначала проводится количественный анализ публикаций, затем с помощью научных ландшафтов и сети цитирований описываются историческое развитие и современные тенденции. В разделе 4 обсуждаются результаты, раздел 5 подводит итоги».

Методология (Methodology)

Подробно опишите методологию обзора: как отбиралась литература, какие ключевые слова использовались, как проходил отбор. Это обеспечивает прозрачность и воспроизводимость исследования.

1. Сначала укажите, какие методы используются и как, в каком общем порядке они применяются и какова структура исследования; приложите схему исследования.

2. Опишите принципы сбора данных: критерии отбора литературы, источники, ключевые слова, процедуру отбора.

3. В нескольких подразделах разберите каждый используемый метод анализа и то, как он применяется к данным в этой статье.

Количественный библиометрический анализ (Quantitative Bibliometric Analysis)

Библиометрический анализ показывает тенденции, динамику развития, актуальные темы и научное влияние в определённой области или по теме. После каждой части библиометрического анализа нужно приложить график количественных результатов и обсудить визуализированные данные. Типичные части библиометрического анализа:

1. Анализ публикационной активности

   Подсчёт публикаций за определённый период показывает активность исследований, их рост или спад и то, как область меняется со временем.

2. Анализ журналов и изданий

   Оценка числа публикаций, импакт-фактора и цитируемости разных журналов позволяет определить наиболее авторитетные и влиятельные.

3. Анализ сети соавторства

   Изучение сотрудничества между авторами позволяет построить сеть соавторства. Это раскрывает модели сотрудничества и структуру научных групп, показывает широту и глубину сотрудничества. Сетевой анализ сетей сотрудничества и цитирования выявляет связи между авторами, организациями или странами и потоки знаний в области. Типичные сетевые показатели: степень (degree), центральность (centrality), плотность (density), структура сообществ (community structure).

4. Анализ цитирования

   Анализ цитирования изучает частоту и характер цитирования работ, что позволяет оценить влияние исследований и качество литературы. Самые цитируемые статьи обычно представляют фундаментальные или прорывные работы в области.

5. Анализ ключевых слов и тематических тенденций

   Анализ ключевых слов и тем в литературе выявляет актуальные вопросы и тенденции и помогает предсказать будущие направления исследований.

6. Анализ связи финансирования и результатов

   Анализ связи между финансированием исследований и их результатами показывает, насколько финансирование влияет на научную активность.

7. Анализ географического и институционального распределения

   Изучение результатов и сотрудничества определённых регионов или организаций показывает географическую концентрацию исследований и модели взаимодействия организаций.

8. Анализ высокоцитируемых исследователей и групп

   Выявление исследователей и групп, особенно активных или влиятельных в одной или нескольких областях.

Вот распространённые статистические методы, помогающие понять тенденции, сети и влияние научной литературы:

1. Описательная статистика

   Описательная статистика даёт базовые характеристики набора публикаций: число работ, годы публикации, число цитирований и т. д. Типичные показатели: среднее, стандартное отклонение, медиана, частоты и проценты.

2. Сетевой анализ

   Сетевой анализ изучает сети сотрудничества и цитирования и выявляет связи между авторами, организациями или странами и потоки знаний в области. Типичные показатели: степень (degree), центральность (centrality), плотность (density), структура сообществ (community structure).

   (1) Степень (degree): число рёбер, непосредственно связанных с узлом. В сети сотрудничества чем выше степень, тем с большим числом других участников напрямую сотрудничает автор, организация или страна. Анализ: вычислив степень каждого узла, можно выявить самых активных исследователей или самые центральные организации.

   (2) Центральность (Centrality): показатель того, насколько центральное положение занимает узел в сети. Распространены центральность по близости (closeness centrality), центральность по посредничеству (betweenness centrality) и центральность по собственному вектору (eigenvector centrality). С помощью программ или библиотек для работы с графами (например, NetworkX в Python) вычисляют центральность каждого узла и выявляют самых влиятельных исследователей или ключевые организации.

   • Центральность по близости: основана на средней длине кратчайших путей от узла до всех остальных. Чем меньше значение, тем центральнее узел.
   • Центральность по посредничеству: измеряется числом кратчайших путей, проходящих через узел. Чем больше таких путей, тем выше показатель.
   • Центральность по собственному вектору: основана на важности соседей узла; если узел связан с несколькими узлами высокой центральности, его центральность тоже высока.

   (3) Плотность (Density): отношение фактического числа рёбер к возможному. Чем выше плотность, тем теснее сотрудничают узлы. Анализ: вычисление плотности позволяет оценить общую сплочённость научного сотрудничества; высокая плотность может указывать на тесно связанное научное сообщество.

   (4) Структура сообществ (Community Structure): узлы сети естественным образом делятся на группы, внутри которых связей больше, чем между группами. Анализ: алгоритмы выявления сообществ (например, метод Лувена или алгоритм Гирвана — Ньюмена) находят сообщества в сети и выявляют подгруппы или направления в научном сотрудничестве.

3. Кластерный анализ

   Кластерный анализ группирует публикации по темам или ключевым словам и помогает выявить основные темы и тенденции в области.

   Распространённые методы: k-средних, иерархическая кластеризация и методы на основе плотности (например, DBSCAN).

   (1) Кластеризация k-средних (K-means)

   • Понятие: метод разбиения, делящий данные на K множеств так, чтобы минимизировать сумму квадратов расстояний от каждой точки до ближайшего среднего (центра кластера).
   • Шаги:
     Выбрать число кластеров (K): может потребовать априорных знаний или методов вроде метода локтя (Elbow Method).
     Инициализировать центры: случайно выбрать K точек данных в качестве начальных центров.
     Распределить точки: отнести каждую точку к ближайшему центру.
     Пересчитать центры: сделать центр каждого кластера средним положением его точек.
     Повторять: повторять распределение и пересчёт, пока центры заметно не перестанут меняться.
     Проанализировать результат: объяснить, какую тему может представлять каждый кластер.

   (2) Иерархическая кластеризация (Hierarchical Clustering)

   • Понятие: данные организуются построением дерева кластеров (дендрограммы), где каждый узел — кластер. Бывает восходящей (агломеративной) или нисходящей (дивизивной).
   • Шаги:
     Построить матрицу сходства: вычислить сходство между всеми публикациями (обычно по ключевым словам, аннотациям и т. п.).
     Объединять или делить: в агломеративном подходе каждая публикация сначала образует свой кластер, и наиболее похожие кластеры постепенно объединяются; в дивизивном все публикации сначала в одном кластере, который постепенно делится.
     Построить дендрограмму: записать процесс кластеризации в виде иерархического дерева.
     Обрезать: разрезать дерево на нужном уровне.
     Проанализировать и интерпретировать: по дендрограмме выявить темы или тенденции.

   (3) Кластеризация на основе плотности (например, DBSCAN)

   • Понятие: DBSCAN (Density-Based Spatial Clustering of Applications with Noise) опирается на плотность точек данных, может формировать кластеры любой формы и справляется с шумом и выбросами.

   • Шаги

     Задать параметры: выбрать радиус (ε) и минимальное число точек (MinPts), определяющие плотность области.

     Классифицировать точки: разделить их на основные, граничные и шумовые.

     Сформировать кластеры: начиная с основной точки, добавить все непосредственно достижимые по плотности точки и рекурсивно добавлять достижимые основные точки с их соседями.

     Обработать шум: выявить точки, не принадлежащие ни одному кластеру.

     Проанализировать результат: объяснить смысл каждого кластера, выявить ключевые темы и тенденции.

Как применять эти методы в библиометрии? Вот шаги:

(1) Подготовка данных: собрать метаданные публикаций из баз данных (Web of Science, Scopus, PubMed и др.): заглавия, аннотации, ключевые слова, авторов, число цитирований, годы публикации.

(2) Выбор признаков: определить признаки для кластеризации; обычно это ключевые слова, модели цитирования, связи авторов или темы исследований.

(3) Выбор алгоритма кластеризации:

• K-средних: подходит для больших наборов данных, требует заранее задать число кластеров; удобен, когда число направлений известно.
• Иерархическая кластеризация: не требует задавать число кластеров, результат — дендрограмма; подходит для разведочного анализа иерархической структуры.
• DBSCAN: подходит для больших наборов с кластерами неправильной формы или шумом; не требует задавать число кластеров.

(4) Оценка и интерпретация: оценить качество кластеров, например коэффициентом силуэта (Silhouette Coefficient) для компактности и разделённости. Объяснить, какую тему или тенденцию представляет каждый кластер, опираясь на характерные публикации или ключевые слова.

(5) Визуализация: с помощью инструментов (OriginLab, Gephi, Tableau или библиотек Python Matplotlib и Seaborn) визуализировать кластеры, например построить сети совместной встречаемости ключевых слов или точечные диаграммы кластеров. По результатам выявить новые тенденции, ключевые научные группы или возможные пробелы в исследованиях.

4. Анализ временных рядов

   Анализ временных рядов подходит для изучения изменения числа публикаций и цитирований во времени. Можно использовать авторегрессионные модели (AR), модели скользящего среднего (MA) или модели авторегрессии — скользящего среднего (ARMA).

5. Анализ цитирования

   Анализ цитирования оценивает число цитирований публикаций или авторов и выявляет высокоцитируемые работы и ключевых авторов с помощью показателей вроде индекса Хирша (h-index), g-индекса и полупериода цитирования.

6. Факторный анализ

   Факторный анализ изучает скрытые связи между переменными, например факторы, влияющие на число цитирований. Он снижает размерность данных и помогает понять стоящую за ними структуру.

7. Корреляционный анализ

   Корреляционный анализ оценивает силу связи между двумя или несколькими переменными, например между числом публикаций и интенсивностью научной политики или глобальной политики устойчивого развития. Распространены коэффициент корреляции Пирсона и коэффициент ранговой корреляции Спирмена.

8. Множественный регрессионный анализ

   Множественная регрессия предсказывает или объясняет связь одной переменной (например, числа цитирований) с несколькими предикторами (длиной статьи, импакт-фактором журнала, числом авторов и т. п.).

9. Метод главных компонент (PCA)

   PCA позволяет исследовать и визуализировать структуру многомерных данных; подходит для больших наборов публикаций и помогает выявить важнейшие закономерности и структуры.

Эти методы можно использовать по отдельности или вместе, чтобы получить всестороннее представление о массиве научной литературы. Выбор зависит от исследовательского вопроса, типа данных и доступного программного обеспечения.

Качественный анализ подтем (Qualitative Subtopic Analysis)

Это, пожалуй, самая объёмная часть статьи.

Цель: глубоко рассмотреть каждую подтему области и качественно понять и объяснить данные и явления.

Структура этой части гибкая, примерно такая:

1. Введение в подтему: чётко изложить её предпосылки, значимость и связанные исследовательские вопросы.

2. Анализ подтем по подразделам: каждый подраздел посвящён одной подтеме, каждый абзац в нём — одному тезису или аргументу, подкреплённому ссылками и данными. Не просто пересказывайте, а анализируйте критически, обсуждайте разные точки зрения, выявляйте различия и связи между исследованиями.

3. Визуализация числовых результатов конкретных аспектов методов: сведите их в таблицы или графики и проанализируйте.

Математико-статистический анализ (Mathematical and statistical analysis)

В этой части обобщаются числовые результаты основных работ из качественного анализа, а затем вы сами дополнительно обрабатываете их данные математически и расширяете их результаты.

Выбирайте статистические методы по исследовательскому вопросу и типу данных. Распространены описательная и выводная статистика, регрессионный анализ, дисперсионный анализ (ANOVA), корреляционный анализ. При выборе учитывайте распределение данных, объём выборки и цель исследования.

Статистические результаты нужно визуализировать, например столбчатыми диаграммами, ящиками с усами, точечными диаграммами. Визуализация помогает объяснить результаты и наглядно показывает тенденции и закономерности. Объясните результаты и их значение для исследования. Обсудите, насколько выводы подтверждают или опровергают гипотезы, проанализируйте связи между переменными, возможные причины и механизмы. Признайте возможные ограничения анализа: смещение выборки, ошибки измерений, влияние внешних факторов, и обсудите, как они могут сказаться на результатах. На основе результатов предложите возможные направления будущих исследований или улучшения, например увеличить выборку или проверить выводы другими методами.

Сравнительный анализ (Comparative Analysis)

1. Выбор объектов сравнения: выберите результаты исследований и конкретные данные для сравнения. Обычно это работы, заметно различающиеся методологией, планом эксперимента, технологиями или выводами. Определите измерения сравнения: теоретическая основа, метод исследования, способ сбора данных, метод анализа, интерпретация результатов и т. д.
2. Описание метода сравнения: поясните метод и критерии, например используются ли статистические методы для сравнения наборов данных или качественное сравнение на основе экспертного мнения. При необходимости опишите инструменты обработки и анализа данных: статистические программы, средства визуализации.
3. Представление результатов: используйте таблицы, графики или текст. Таблицы и графики нагляднее показывают различия между исследованиями. Сравнение может быть количественным (средние, проценты, стандартные отклонения и т. п.) и качественным (применимость, эффективность, надёжность методов и т. п.).
4. Анализ выводов сравнения: объясните значение результатов, обсудите согласованность и различия между исследованиями. Укажите достоинства и ограничения каждого метода или результата и то, как эти различия могут повлиять на область.

Обсуждение и заключение (Discussion & Conclusion)

На мой взгляд, поскольку средняя часть обзорной статьи и так объёмна, обсуждение и заключение стоит писать вместе. Цель — кратко повторить всю статью, свести воедино результаты, подчеркнуть научный вклад и предложить направления будущих исследований.

Эта часть похожа на обсуждение и заключение из «Структуры оригинальной научной статьи для журналов SCI», но с некоторыми отличиями:

1. Итоги обзора
   • Итоги обзора литературы: обобщите ключевые результаты и темы рассмотренной литературы, проанализируйте тенденции и основные теории и методы в области.
   • Главные выводы: кратко изложите важные выводы и общие проблемы, выявленные в обзоре, и их влияние на смежные области.
2. Оценка эффективности и методов
   • Теоретическая оценка: оцените эффективность и результативность распространённых методов и их ограничения при решении конкретных задач.
   • Сравнение методов: проанализируйте и сравните методы и результаты разных авторов, укажите их сильные и слабые стороны.
3. Анализ преимуществ методов и теорий
   • Преимущества метода: «По сравнению с методом … метод … упрощает обработку данных и снижает сложность работы».
   • Эффективность и упрощение: подчеркните, как новые теории или методы повышают эффективность исследований, упрощают их шаги и какова их ценность на практике.
4. Ограничения и направления будущих исследований
   • Признание ограничений: честно обсудите ограничения обзора, например неполный охват литературы или смещения некоторых методов.
   • Рекомендации для будущих исследований: «Будущие исследования должны быть направлены на расширение и углубление сбора данных и разработку более точных моделей анализа, чтобы повысить общую применимость результатов».

Список литературы

1. Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Gabbouj, M., & Inman, D. J. (2021). A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications. In Mechanical Systems and Signal Processing (Vol. 147, p. 107077). Elsevier BV. https://doi.org/10.1016/j.ymssp.2020.107077
2. Park, J. Y., & Nagy, Z. (2018). Comprehensive analysis of the relationship between thermal comfort and building control research - A data-driven literature review. In Renewable and Sustainable Energy Reviews (Vol. 82, pp. 2664–2679). Elsevier BV. https://doi.org/10.1016/j.rser.2017.09.102
3. Kokol, P., Blažun Vošner, H., & Vermeulen, J. (2017). Exploring an Unknown Territory. In Nursing Research (Vol. 66, Issue 5, pp. 359–367). Ovid Technologies (Wolters Kluwer Health). https://doi.org/10.1097/nnr.0000000000000238
4. Hu, J., & Zhang, Y. (2017). Structure and patterns of cross-national Big Data research collaborations. In Journal of Documentation (Vol. 73, Issue 6, pp. 1119–1136). Emerald. https://doi.org/10.1108/jd-12-2016-0146
5. Homrich, A. S., Galvão, G., Abadia, L. G., & Carvalho, M. M. (2018). The circular economy umbrella: Trends and gaps on integrating pathways. In Journal of Cleaner Production (Vol. 175, pp. 525–543). Elsevier BV. https://doi.org/10.1016/j.jclepro.2017.11.064
6. Campos, E. A. R. de, Paula, I. C. de, Pagani, R. N., & Guarnieri, P. (2017). Reverse logistics for the end-of-life and end-of-use products in the pharmaceutical industry: a systematic literature review. In Supply Chain Management: An International Journal (Vol. 22, Issue 4, pp. 375–392). Emerald. https://doi.org/10.1108/scm-01-2017-0040
7. Watad, A., Bragazzi, N. L., Adawi, M., Amital, H., Kivity, S., Mahroum, N., Blank, M., & Shoenfeld, Y. (2017). Is autoimmunology a discipline of its own? A big data-based bibliometric and scientometric analyses. In Autoimmunity (Vol. 50, Issue 4, pp. 269–274). Informa UK Limited. https://doi.org/10.1080/08916934.2017.1305361
8. Marx, W., Haunschild, R., & Bornmann, L. (2017). Climate change and viticulture-a quantitative analysis of a highly dynamic research field. Vitis, 56(1). https://doi.org/10.5073/vitis.2017.56.35-43
9. Van Raan, A. F. J. (2017). Patent Citations Analysis and Its Value in Research Evaluation: A Review and a New Approach to Map Technology-relevant Research. In Journal of Data and Information Science (Vol. 2, Issue 1, pp. 13–50). Walter de Gruyter GmbH. https://doi.org/10.1515/jdis-2017-0002
10. Raman, R., Calyam, P., & Achuthan, K. (2024). ChatGPT or Bard: Who is a better Certified Ethical Hacker? In Computers & Security (Vol. 140, p. 103804). Elsevier BV. https://doi.org/10.1016/j.cose.2024.103804