Advancing bibliometric assessment of research productivity: an analysis of US Departments of Family Medicine
Notice bibliographique
Résumé
INTRODUCTION Measurement of family medicine research productivity has lacked the replicable methodology needed to document progress. AIM In this study, we compared three methods: (1) faculty-to-publications; (2) publications-to-faculty; and (3) department-reported publications. METHODS In this cross-sectional analysis, publications in peer-reviewed, indexed journals for faculty in 13 US family medicine departments in 2015 were assessed. In the faculty-to-publications method, department websites to identify faculty and Web of Science to identify publications were used. For the publications-to-faculty method, PubMed's author affiliation field were used to identify publications, which were linked to faculty members. In the department-reported method, chairs provided lists of faculty and their publications. For each method, descriptive statistics to compare faculty and publication counts were calculated. RESULTS Overall, 750 faculty members with 1052 unique publications, using all three methods combined as the reference standard, were identified. The department-reported method revealed 878 publications (84%), compared to 616 (59%) for the faculty-to-publications method and 412 (39%) for the publication-to-faculty method. Across all departments, 32% of faculty had any publications, and the mean number of publications per faculty was 1.4 (mean of 4.4 per faculty among those who had published). Assistant Professors, Associate Professors, Professors and Chairs accounted for 92% of all publications. DISCUSSION Online searches capture a fraction of publications, but also capture publications missed through self-report. The ideal methodology includes all three. Tracking publications is important for quantifying the return on our discipline's research investment.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,023 | 0,041 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; 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 ».