How does nursing research differ internationally? A bibliometric analysis of six countries
Notice bibliographique
Résumé
BACKGROUND: International nursing research comparisons can give a new perspective on a nation's output by identifying strengths and weaknesses. AIM: This article compares strengths in nursing research between six mainly English-speaking nations (Australia, Canada, Ireland, New Zealand, United Kingdom and United States). METHODS: Journal authorship (percentage of first authorship by nationality) and article keywords were compared for Scopus-indexed journal articles 2008-2018. Three natural language processing strategies were assessed for identifying statistically significant international differences in the use of keywords or phrases. RESULTS: Journal author nationality was not a good indicator of international differences in research specialisms, but keyword and phrase differences were more promising especially if both are used. For this, the part of speech tagging and lemmatisation text processing strategies were helpful but not named entity recognition. The results highlight aspects of nursing research that were absent in some countries, such as papers about nursing administration and management. CONCLUSION: Researchers outside the United States should consider the importance of researching specific patient groups, diseases, treatments, skills, research methods and social perspectives for unresearched gaps with national relevance. From a methods perspective, keyword and phrase differences are useful to reveal international differences in nursing research topics.
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 | 0,029 | 0,159 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,153 | 0,250 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».