Notice bibliographique
Résumé
Abstract Background Leadership and chronic diseases are two frequent topics in current public health discussions. We performed a bibliometric analysis to study what interactions exist between these two themes. This study allows an insight on what is being published and also identifies potential gaps that need to be addressed. Methods We have reviewed all the titles and abstracts of articles available at PUBMED with the MESH terms ’Leadership’ and ’Chronic Disease’. We collected information about the authors, year, journal and type of publication and country where the study was done. We have also done a qualitative analysis on the themes addressed. Results We have found 171 entries, of witch 85 (49,7%) referred to apparent peer reviewed studies in English. All other publications referred to editorials, commentaries or the PUBMED entry did not allow for greater clarification. From 1998 the publication of articles became regular, with a peak of 14 articles published in 2014. The average of authors per publication was 3,19. The most frequent country involved was the USA (62), follow by the UK (14), Canada (11) and Australia (10). 128 publications were identified, of which BMC Health Serv Res was the one with the highest number of articles included (5). There was some form of a call for greater leadership from nurses in 22 articles. We also highlight 5 articles that called for a greater role of pastors and religious communities in this field. Conclusions Despite the perception of being common topics, there is still a low rate of publication of studies in the field of leadership and chronic diseases. There is a predominance of articles from the USA. There was not a predominant publication in this field. Despite doctors being typically seen as the leaders within the health field, the articles included seem to point to a trend in calling for a bigger leadership role of other actors, such as nurses. Key messages There is a need for more research in the field of leadership in chronic diseases. There seems to be a trend calling for greater leadership in the field from non-physician actors.
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 | 0,033 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,248 | 0,313 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| 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 ».