The Pandemic of the COVID-19 Literature: A Bibliometric Analysis Running Title: Bibliometric Analysis of the COVID-19 Literature
Notice bibliographique
Résumé
Abstract BackgroundThe research interest in COVID-19, one of the most serious pandemics in recent human history, is unprecedented. This study aims to determine the volume of COVID-19 research and to assess the characteristics of its production and publication.MethodsWe searched Scopus, Embase, PubMed, and the Web of Science databases for publications, up to August 20, 2020. We included all types of documents except corrections, interviews, personal narratives, and retracted publications. We analyzed publication count, type, status, research themes, publication venues, authorship trends, language, institutions, countries, collaboration, and funding.ResultsOf 40,519 eligible documents, 49% were original articles. Forty-nine percent of the original articles and reviews were published in top quartile journals, and 19% were single-authored. More than half of the documents were produced in the United States, China, the United Kingdom, and Italy. Twenty-two percent of the documents involved international collaboration and 17% reported financial support by at least one agency, with the National Natural Science Foundation of China being the most frequently reported funding source (n=982). There are already more documents published on COVID19 than documents ever published on the Ebola, MERS, HIN1, and SARS combined.ConclusionsThe first few months’ research output on COVID-19 is relatively large and originated mostly from four countries. Single-authored publications, international collaboration, and governmental funding activities were relatively common.
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 | 0,020 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,232 | 0,265 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».