Notice bibliographique
Résumé
Like many other investigators who participate on editorial boards of various journals, I have witnessed the emergence of the so-called ‘‘Journal Impact Factor’’ over the last 10 years. The Impact Factor (IF) is a number derived by dividing the number of citations a journal receives over a period of time by the number of papers published. It is an average indicator of how frequently papers published in a particular journal are cited (1). At board meetings, the IF dominates discussions regarding the journal’s status and well-being. Much of the time spent at such meetings evolves around strategies on how to improve the IF using any means possible. People are looking at the numerator and are trying to maximize it using conventional wisdom or tricks, including finding high-impact/highquality papers or publishing items that usually receive more citations (e.g., reviews, special issues, etc.), or by minimizing the denominator by attempting to exclude from the calculation items such as letters to the editor, brief communications, etc., even though citations received for these are included in the numerator! In general, an IF of -2 is considered poor, a value between 3 and 5 is good and anything over five is excellent; breaking the barrier of 10 indicates outstanding success. Bottles of champagne are opened when the IF breaks certain barriers (e.g., 5 or 10). Much has been written already on the IF and its limitations, and it is not my intention to repeat such discussions. In general, it is well-known that the IF of journals is dependent primarily on a few very highly cited papers, in comparison to the bulk of papers published. But who would care about IFs? Publishers are very interested because they can market their journals
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 | 0,024 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,034 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,005 | 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 ».