Making headlines: an analysis of US government-funded cancer research mentioned in online media
Notice bibliographique
Résumé
OBJECTIVE: To characterise how online media coverage of journal articles on cancer funded by the US government varies by cancer type and stage of the cancer control continuum and to compare the disease prevalence rates with the amount of funded research published for each cancer type and with the amount of media attention each receives. DESIGN: A cross-sectional study. SETTING: The United States. PARTICIPANTS: The subject of analysis was 11 436 journal articles on cancer funded by the US government published in 2016. These articles were identified via PubMed and characterised as receiving online media attention based on data provided by Altmetric. RESULTS: 16.8% (n=1925) of articles published on US government-funded research were covered in the media. Published journal articles addressed all common cancers. Frequency of journal articles differed substantially across the common cancers, with breast cancer (n=1284), lung cancer (n=630) and prostate cancer (n=586) being the subject of the most journal articles. Roughly one-fifth to one-fourth of journal articles within each cancer category received online media attention. Media mentions were disproportionate to actual burden of each cancer type (ie, incidence and mortality), with breast cancer articles receiving the most media mentions. Scientific articles also covered the stages of the cancer continuum to varying degrees. Across the 13 most common cancer types, 4.4% (n=206) of articles focused on prevention and control, 11.7% (n=550) on diagnosis and 10.7% (n=502) on therapy. CONCLUSIONS: Findings revealed a mismatch between prevalent cancers and cancers highlighted in online media. Further, journal articles on cancer control and prevention received less media attention than other cancer continuum stages. Media mentions were not proportional to actual public cancer burden nor volume of scientific publications in each cancer category. Results highlight a need for continued research on the role of media, especially online media, in research dissemination.
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 | 0,006 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,021 | 0,024 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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 ».