Notice bibliographique
Résumé
OBJECTIVES: The Coronavirus Disease 2019 (COVID-19) caused heavy burdens and brought tremendous challenges to global public health. This study aimed to investigate collaboration relationships, research topics, and research trends on COVID-19 using scientific literature. METHOD: COVID-19-related articles published from January 1 to July 1, 2020 were retrieved from PubMed database. A total of 27,370 articles were included. Excel 2010, Medical Text Indexer (MTI), VOSviewer, and D3.js were used to summarize bibliometric features. RESULTS: The number of the COVID-19 research publications has been continuously increasing after its break. United States was the most productive and active country for COVID-19 research, with the largest number of publications and collaboration relationships. Huazhong University of Science and Technology from China was the most productive institute on the number of publications, and University of Toronto from Canada ranked as Top 1 institute for global research collaboration. Four key research topics were identified, of which the topic of epidemiology and public health interventions has gathered highest attentions. Topic of virus infection and immunity has been more focused during the early stage of COVID-19 outbreak compared with later stage. The topic popularity of clinical symptoms and diagnosis has been steady. CONCLUSIONS: Our topic analysis results revealed that the study of drug treatment was insufficient. To achieve critical breakthroughs of this research area, more interdisciplinary, multi-institutional, and global research collaborations are needed.
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 | 0,024 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,052 | 0,065 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».