Globalizing nursing science: analysis of nursing’s participation in the open access movement from 1993 to 2014
Notice bibliographique
Résumé
Background: The traditional journal subscription model restricts access to scholarly information since proprietary fee-based databases charge high subscription fees, do not provide access to all journals in the same geographic region, and include minimal access to research journals from other countries. This practice insulates nursing knowledge, causes duplication rather than replication of research, and results in a lack of breadth and depth to our science.Objective: Describe the state of nursing participation in the Open Access (OA) movement.Methods: Using a descriptive, exploratory approach, all nursing journals in the Directory of Open Access Journals (DOAJ) data warehouse were extracted, tagged, and analyzed.Results: Sixty-two nursing journals from 23 countries have registered as Open Access. Brazil publishes the largest number of OA nursing journals (14), followed by the U.S. (9) and Spain (9). Two countries publish four OA nursing journals (Canada, Iran), while the remaining 18 countries publish one or two OA nursing journals. Fifty percent publish in either Spanish, Portuguese, or Spanish/Portuguese, while another one-third (32%) publish in English. Importantly, 82% of OA Nursing journals do not require article processing charges; of those who do have APCs, the majority (66%) are $300 or less.Conclusions: Although nursing participated early in the OA movement, growth has been consistent but sluggish. Neither the size of the country nor economic status seem to have a strong influence on decisions to produce OA nursing journals. Encouraging participation in OA will advance the science of nursing by allowing broader and more coordinated access to information to the global community.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».