A guide to publishing scientific research in the health sciences
Notice bibliographique
Résumé
Effective communication of scientific research is critical to advancing science and optimizing the impact of one's professional work. This article provides a guide on preparing scientific manuscripts for publication in the health sciences. It is geared to health professionals who are starting to report their findings in peer-reviewed journals or who would like to refresh their knowledge in this area. It identifies five key steps. First, adopt best practices in scientific publications, including collaborative writing and ethical reporting. Second, strategically position your manuscript before you start to write. This is done by identifying your target audience, choosing three to five journals that reach your target audience and then learning about the journal requirements. Third, create the first draft of your manuscript by developing a logical, concise and compelling storyline based on the journal requirements and the established structure for scientific manuscripts. Fourth, refine the manuscript by coordinating the input from your co-authors and applying good composition and clear writing principles. The final version of the manuscript needs to meet editorial requirements and be approved by all authors prior to submission. Fifth, once submitted, be prepared for revision. Rejection is common; if you receive feedback, consider revising the paper before submitting it to another journal. If the journal is interested, address all the requested revisions. Scientific articles that have high impact are not only good science; they are also highly readable and the result of a collective and often synergistic effort.
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 | 0,065 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,029 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| 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; 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 ».