A bibliometric analysis of tuberculosis research, 2007–2016
Notice bibliographique
Résumé
BACKGROUND: Tuberculosis (TB) research is a key component of the End TB Strategy. To track research output, we conducted a bibliometric analysis of TB research from the past decade. METHODS: The Web of Science database was searched for publications from January 2007 to December 2016 with "tuberculosis" in the title. References were analysed using the R bibliometrix package. A year-stratified 5% random subset was drawn to extract funding sources and identify research areas. FINDINGS: The annual growth rate of publications was 7.3%, and was highest (13.1%) among Brazil, Russia, India, China and South Africa (BRICS). The USA was the most productive country, with 18.4% of references, followed by India (9.7%), China (7.3%), England (6.5%), and South Africa (3.9%). In the subset analysis, the most common research area was 'fundamental research' (33.8%). Frequently acknowledged funders were US and EU-based, with China and India emerging as top funders. Collaborations appeared more frequently between high-income countries and low/medium income countries (LMICs), with fewer collaborations among LMICs. CONCLUSION: The past decade has seen a continued increase in TB publications. While USA continues to dominate research output and funding, BRICS countries have emerged as major research producers and funders. Collaborations among BRICS would enhance future TB research productivity.
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 | 0,012 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,167 | 0,263 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».