Preprint server use in kidney disease research: a rapid review
Notice bibliographique
Résumé
Abstract Purpose of review Preprint servers including arXiv and bioRxiv have disrupted the scientific communication landscape by providing rapid access to pre--peer reviewed research. MedRxiv is a recently launched free online repository for preprints in the health sciences. We sought to summarize potential benefits and risks to preprint server use, from both the researcher and end--user perspective, and evaluate the uptake of preprint servers in the nephrology community. Sources of Information We performed a rapid review of articles describing preprint servers and their use. We approached the 20 highest impact nephrology journals regarding their policy towards the use of preprint servers. We evaluated the average time from study completion to publication of impactful articles in nephrology. Finally, we evaluated the number of nephrology articles submitted to preprint servers. Findings To date over 600 kidney--related articles have been uploaded to bioRxiv and medRxiv. The average time from study completion to publication was over 10 months. 16 of the top 20 nephrology journals currently accept research submitted to a preprint server. Transparency and collaboration, visibility and recognition, and rapid dissemination of results were identified as benefits of preprint servers. Concerns exist regarding the potential risk of non--peer reviewed medical research being publicly available. Limitations Preprint servers remain a recent phenomenon in health sciences and their long-- term impact on the medical literature remains to be seen. Implications The quantity of research submitted to preprint servers is likely to continue to grow. The model for dissemination of research results will need to adapt to incorporate preprint servers.
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 | 0,039 | 0,253 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,010 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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 ».