Building visualization skills through investigating the Journal of the Medical Library Association coauthorship network from 2006–2017
Notice bibliographique
Résumé
Objective: The primary objective of this study was to explore different dimensions of Journal of the Medical Library Association (JMLA) authorship from 2006–2017. Dimensions that were evaluated using coauthorship networks and affiliation data included collaboration, geographical reach, and relationship between Medical Library Association (MLA) member and nonmember authors. A secondary objective was to analyze the practice and practical application of data science skills.Methods: A team of librarians who attended the 2017 Data Science and Visualization Institute used JMLA bibliographic metadata extracted from Scopus, together with select MLA membership data from 2006–2017. Data cleaning, anonymization, analysis, and visualization were done collaboratively by the team members to meet their learning objectives and to produce insights about the nature of collaborative authorship at JMLA.Results: Sixty-nine percent of the 1,351 JMLA authors from 2006–2017 were not MLA members. MLA members were more productive and collaborative, and tended to author articles together. The majority of the authoring institutions in JMLA are based in the United States. Global reach outside of the United States and Canada shows higher authorship in English-speaking countries (e.g., Australia, United Kingdom), as well as in Western Europe and Japan.Conclusions: MLA support of JMLA may benefit a wider network of health information specialists and medical professionals than is reflected in MLA membership. Conducting coauthorship network analyses can create opportunities for health sciences librarians to practice applying emerging data science and data visualization skills.
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 | 0,005 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».