Contribution of Iran in COVID-19 studies: a bibliometrics analysis
Notice bibliographique
Résumé
Background: Iran is fighting heroically against COVID-19. Due to the importance of scientific publications in better dealing with this stubborn virus, this study was conducted aiming at reviewing COVID-19 publications by Iranian scientists. Methods: We searched for COVID-19 and all its related keywords in the Web of Science (WOS), Scopus and PubMed databases to find documents published by Iranian authors until July 10, 2020. Duplicates documents were excluded, and bibliographic parameters were evaluated. Co-authorship matrix was calculated using Bibexcel, and visualizations were done using VOSviewer. Results: A total of 849 documents from 3450 Iranian researchers (5.5 authors per document) were retrieved from WOS, PubMed, and Scopus and Iran ranked 12th and 13th in WOS and Scopus in terms of the number of publications. The average citation per document was 2.2 with the h-index of 18. Original articles and letters were the most common formats for Iranian publications. The Journal of Military Medicine has published the highest number of documents. Iranian authors have mostly collaborated with researchers from the United States, Italy, the UK, and Canada, respectively. The co-occurrence network for keywords represented five publication clusters in the collection, and the largest clusters were related to epidemiological studies and public health, followed by clinical studies on COVID-19. Conclusion: Iranian researchers have had a significant scientific contribution in various areas of the disease. However, the network of studies has not been sufficiently cohesive, and more coherent collaboration between researchers at the national and international levels should be on the agenda of research policymakers in the country.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,023 | 0,046 |
| 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 | 0,001 |
| 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 ».