Global Scientific Production on Illicit Drug Addiction: A Two-Decade Analysis
Notice bibliographique
Résumé
AIMS: Addiction science has made great progress in the past decades. We conducted a scientometric study in order to quantify the number of publications and the growth rate globally, regionally, and at country levels. METHODS: In October 2015, we searched the Scopus database using the general keywords of addiction or drug-use disorders combined with specific terms regarding 4 groups of illicit drugs - cannabis, opioids, cocaine, and other stimulants or hallucinogens. All documents published during the 20-year period from 1995 to 2014 were included. RESULTS: A total of 95,398 documents were retrieved. The highest number of documents were on opioids, both globally (60.1%) and in each of 5 continents. However, studies on cannabis showed a higher growth rate in the last 5-year period of the study (2010-2014). The United States, the United Kingdom, Germany, Canada, Australia, France, Spain, Italy, China, and Japan - almost all studies were from high-income countries - occupied the top 10 positions and produced 81.4% of the global science on drug addiction. CONCLUSION: As there are important socio-cultural differences in the epidemiology and optimal clinical care of addictive disorders, it is suggested that low- and more affected middle-income countries increase their capacity to conduct research and disseminate the knowledge in this field.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,122 | 0,216 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».