Growing Trend of China’s Contribution to the Field of Rheumatology 2000–2009: A Survey of Chinese Rheumatology Research
Notice bibliographique
Résumé
OBJECTIVE: In the past decade, rheumatology in China has achieved great advances. However, scientific publications on rheumatology in the 3 major regions of China - Mainland (ML), Hong Kong (HK), and Taiwan (TW) - are unknown. We assessed the performance of rheumatology research in China from 2000 to 2009. METHODS: Twenty-two journals included in the rheumatology category of the Journal Citation Reports database were selected. We analyzed the following measures for 2000-2009: (1) total number of articles originating from ML, HK, and TW; (2) impact factor (IF) of those articles; (3) total number of citations and average number of citations per article; and (4) number of articles about clinical trials, randomized controlled trials (RCT), and case reports. We also noted the total number of articles from the 3 regions published in 10 top-ranking journals. RESULTS: There were 788 articles for the 3 regions of China, including 259 from ML, 372 from TW, and 157 from HK, with a positive trend between the years 2000 to 2009. From 2006 on, published articles from ML exceeded those from HK, and in 2008, published articles from ML exceeded those from TW. HK had the highest average IF and highest average citations of each article compared with articles from ML and TW. TW published the most RCT, clinical trials, and case reports, as well as the most articles in the 10 top-ranking journals in the last decade, followed by ML and HK. CONCLUSION: Chinese contributions to the field of rheumatology have increased rapidly since 2000, particularly from ML. HK had the highest quality research output according to average IF and average citations per article.
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 | 0,099 | 0,242 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,023 | 0,056 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,006 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».