Bibliometric Analysis of Global Scientific Research on SARS-CoV-2 (COVID-19)
Notice bibliographique
Résumé
Abstract Background and Aim Since late 2019, an unknown-origin pneumonia outbreak detected in Wuhan city, Hubei Province, China. We aimed to build a model to qualitatively and quantitatively assess publications of research of COVID-19 from 2019 to 2020. Materials and Methods Data were obtained from the Web of Science (WOS), PubMed, and Scopus Core Collection on March 02, 2020, and updated on March 10. We conducted a qualitative and quantitative analysis of publication outputs, journals, authors, institutions, countries, cited references, keywords, and terms according to bibliometric methods using VOS viewer c software packages. Results Initially, we identified 227 papers, of which after an exclusion process, 92 studies were selected for statistical analyses. China accounted for the highest proportion of published research (44 papers, 40.48%), followed by the United States (21 papers, 19.32%), and Canada (7 papers, 6.44%). Adjusted by gross domestic product (GDP), ranked first, with 0.003 articles per billion GDP. In total, the top 10 journals published 47 articles, which accounted for 51.08% of all publications in this Feld. A total of 6 studies (05.52%) were supported by National Natural Science Foundation of China. Chinese Academy of Sciences ranked second 2, 2.76%). Conclusion Bibliometric and visualized mapping may quantitatively monitor research performance in science and present predictions. The subject of this study was the fast growing publication on COVID-19. Most studies are published in journals with very high impact factors (IFs) and other journals are more interested in this type of research. Highlights Bibliometric description and mapping provided a birds-eye view of information on Covid-19 related research Readers to comprehend the history of published Covid-19 articles in just a few minutes. We evaluated the research strength of countries and institutions, Scholars might refer to in order to find cooperative institutions. During our research using the selected database, we tried to guarantee comprehension and objectivity.
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 | 0,016 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,147 | 0,151 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».