Eye neoplasms: a bibliometric analysis from 1966 to 2012
Notice bibliographique
Résumé
Abstract Purpose To calculate the growth rate of biomedical literature on eye neoplasms and to assess key journals, authors, and country affiliations. Methods PubMed was used to search for papers published from 1966 to 2012. Total number of articles per year was fitted to a linear equation as well as an exponential curve. To identify the core journals and predict the number of journals containing articles related to eye neoplasms, Bradford's law was applied. The mean number of publications per year and per author were calculated. For each country, the Gross Domestic Product (GDP) index (publications per 1 billion US dollars of GPD) and the population index (publications per million inhabitants) were calculated. Results A total of 27 943 references were retrieved. The growth in the number of publications showed a linear increase with a yearly average growth rate of 2.08%. Using Bradford's law, 17 core journals were identified. Only 9 authors published more than 5 papers per year. The United States was by far the predominant country in number of publications, followed by Germany and the United Kingdom. However, population and Gross Domestic Product indexes showed that absolute production did not reflect the production per capita nor the economic efficiency Conclusion This bibliometric study provides data contributing to a better understanding of the eye neoplasm research field.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,017 | 0,053 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».