Information mining analysis of PM2.5 literature in foreign language
Notice bibliographique
Résumé
Objective To explore the information distribution of PM2.5 Paper in Foreign Language. Methods This article took PM2.5 papers as research object, used GoPubMed as information search and statistical analysis tool to conduct information mining of PM2.5 literature, including subject, time, author, source, distribution and number of publications over time. Results There was steady development of PM2.5 literature published in foreign language from 2004 to 2012, dramatic increase during the year 2013 to 2015. The three top publishing years of PM2.5 literature were 2015, 2014 and 2013. Main authors of such literature include Chow J, Watson J, Koutrakis P and so on. Main research countries include United States, China, Canada, etc. Big cities, like Beijing, Shanghai, Boston were main places conducted such PM2.5 research. Related articles mainly published in journals such as J Air Waste Manag Assoc, Environ Sci Technol, Sci Total Environ and so on. Six out of the top ten research journals have higher impact factors than the average level of all journals of SCI in 2014. Main research terminologies include particulate matter, air pollutants, particle size and so on. Conclusions Generally, the PM2.5 literature over the world has a high level academically and China plays a significant role in such research. Key words: PM2.5; Literature in foreign language; Information mining
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».