Bibliometric evaluation of pediatric neurosurgery in North America
Notice bibliographique
Résumé
OBJECT: The application of bibliometric techniques to academic neurosurgery has been the focus of several recent publications. The authors provide here a detailed analysis of all active pediatric neurosurgeons in North America and their respective departments. METHODS: Using Scopus and Google Scholar, a bibliometric profile for every known active pediatric neurosurgeon in North America was created using the following citation metrics: h-, contemporary h-, g-, and e-indices and the m-quotient. Various subgroups were compared. Departmental productivity from 2008 through 2013 was measured, and departments were ranked on the basis of cumulative h- and e-indices and the total number of publications and citations. Lorenz curves were created, and Gini coefficients were calculated for all departments with 4 or more members. RESULTS: Three hundred twelve pediatric neurosurgeons (260 male, 52 female) were included for analysis. For the entire group, the median h-index, m-quotient, contemporary h-, g-, and e-indices, and the corrected g- and e-indices were 10, 0.59, 7, 18, 17, 1.14, and 1.01, respectively; the range for each index varied widely. Academic pediatric neurosurgeons associated with fellowship programs (compared with unassociated neurosurgeons), academic practitioners (compared with private practitioners), and men (compared with women) had superior measurements. There was no significant difference between American and Canadian pediatric neurosurgeons. The mean Gini coefficient for publications was 0.45 (range 0.18-0.70) and for citations was 0.53 (range 0.25-0.80). CONCLUSIONS: This study represents the most exhaustive evaluation of academic productivity for pediatric neurosurgeons in North America to date. These results should serve as benchmarks for future studies.
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 | 0,077 | 0,280 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,709 | 0,855 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».