Detection and characterization of translational research in cancer and cardiovascular medicine
Notice bibliographique
Résumé
BACKGROUND: Scientists and experts in science policy have become increasingly interested in strengthening translational research. Efforts to understand the nature of translational research and monitor policy interventions face an obstacle: how can translational research be defined in order to facilitate analysis of it? We describe methods of scientometric analysis that can do this. METHODS: We downloaded bibliographic and citation data from all articles published in 2009 in the 75 leading journals in cancer and in cardiovascular medicine (roughly 15,000 articles for each field). We calculated citation relationships between journals and between articles and we extracted the most prevalent natural language concepts. RESULTS: Network analysis and mapping revealed polarization between basic and clinical research, but with translational links between these poles. The structure of the translational research in cancer and cardiac medicine is, however, quite different. In the cancer literature the translational interface is composed of different techniques (e.g., gene expression analysis) that are used across the various subspecialties (e.g., specific tumor types) within cancer research and medicine. In the cardiac literature, the clinical problems are more disparate (i.e., from congenital anomalies to coronary artery disease); although no distinctive translational interface links these fields, translational research does occur in certain subdomains, especially in research on atherosclerosis and hypertension. CONCLUSIONS: These techniques can be used to monitor the continuing evolution of translational research in medicine and the impact of interventions designed to enhance it.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».