Another Successful Year for <i>Clinical Nursing Research</i>
Notice bibliographique
Résumé
This year, we launched our expansion to six issues per year! We have been able to accomplish this due to the increased number of strong manuscript submissions we have been receiving since we obtained an impact factor. We have also been successful at maintaining an impact factor over the last 3 years. We are currently ranked 62/106 in nursing with an impact factor of 0.870. This is due in part to the exceptional job our reviewers have done. We have also gone from receiving 50 manuscripts a year 6 years ago to over 130 a year. Due to this increased number of manuscripts, we have also had to make some changes in what type of manuscripts we are able to accept. Clinical Nursing Research’s (CNR) acceptance rate is now below 25%. Examples of manuscripts with less of a chance of being accepted for publication include under-powered studies, those not following the submission guidelines, international manuscripts that have not had a strong English edit, and manuscripts that do not focus on clinical research. Moving forward for next year, I would like to expand our panel of reviewers to enable us to decrease our review time for first decision from the current mean of 46 days to 30 days. This year, we started expediting decisions on submissions that were found not to be an appropriate fit or did not follow the submission guidelines. This allows authors to submit their manuscripts to a more appropriate journal in a more timely fashion. This past year, we have had manuscript submissions from 31 countries. We have published manuscripts from the following countries: Canada, China, Finland, Jordon, Korea, Philippines, Spain, Sweden, Taiwan, Turkey, and the United States this past year. I hope to see this international representation again this year.
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 | 0,061 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».