Cancer nursing research output and topics in the first decade of the 21st century: results of a bibliometric and co-word cluster analysis.
Notice bibliographique
Résumé
OBJECTIVE: Many countries carry a high cancer burden and comprehensive cancer nursing is becoming increasingly complicated and difficult. Summarizing the recent research focus on cancer nursing may provide a snapshot of this field for those nurses or nurse educators who are in need of a quick overview of the research and its utilization. METHODS: Candidate publications from January 1st 2001 to March 31st 2011 were collected by searching PubMed with the MeSH word 'oncologic nursing' and without language restriction. Bibliometric techniques used in this study included a statistical analysis of publication counts by authors, countries and journals and a co-word cluster analysis of highly-frequent MeSH words. RESULTS: A total of 2933 publications about cancer nursing from 246 journals were indexed in PubMed, with Oncology Nursing Forum identified as the top contributing journal in the field. The United States, the United Kingdom and Canada were the largest three producer countries about cancer nursing. A total of 34 highly-frequent MeSH words for more than 100 times' occurrences in the papers about oncologic nursing were extracted for cluster analysis. These words were classified into 3 aspects: (1) nursing practice; (2) nursing evaluation and education; (3) nursing-related social support. CONCLUSIONS: Stable growth has occurred in the research field of cancer nursing. The limited amount of the publications from developing countries indicates that the field is still under-developed. Emerging topics of nurse-patient relations and social support provide some hints of the need to provide more target training for the nurses and nurse students in the field of cancer nursing.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,007 | 0,040 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».