Departmental h-Index: Evidence for Publishing Less?
Notice bibliographique
Résumé
PURPOSE: The h-index is an established method for determining an individual faculty member's impact on the scientific literature. The purpose of this study was to measure and describe over time the combined h-index of a large university medical imaging department. MATERIALS AND METHODS: All faculty members from the Department of Medical Imaging, University of Toronto, were identified from administrative records for 6 separate years between 2000-2014. Individual members' and the departmental h-index were calculated using citation data from the Scopus database. Descriptive univariate statistics were reported. Factors contributing to the change in departmental h-index over time were assessed using linear regression analysis. RESULTS: The number of faculty members increased from 117 in 2000 to 186 in 2014. The departmental h-index increased from 48 in 2000 to 142 in 2014. During this time period, the median h-index for faculty members increased from 4 (interquartile range 2-8) to 10 (interquartile range 5-19). Regression analysis revealed that for every additional staff member, the departmental h-index increased by 1.4 (standard error = 0.1, P < .01), whereas, by increasing the median h-index of members by 1 the departmental h-index increased by 15.7 (standard error = 0.6, P < .01). CONCLUSION: Our study suggests that to increase a department's h-index, it is important to foster impactful research from within the faculty ranks of the department. The h-index of academic radiology departments is a meaningful tool that allows for evaluation from within and against other academic centres.
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 | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».