Mapping the Scholarship on Mental Health during COVID-19 Pandemic: A Scientometric View
Notice bibliographique
Résumé
Mental health has been a major concern worldwide even before the emergence of novel coronavirus. The evolving nature of the virus and the fatality rate has increased the psychological distress among people across all age groups. This study is an attempt to explore the research productivity on mental health research during COVID-19 pandemic to combat the disease by means of enhancing awareness and preventive measures as some countries are going through the second wave of the viral attack. The research contribution on mental health during the ongoing COVID-19 pandemic appears to be slow in pace not going with the need of the time. During the study period 1st January 2020 to 5th November 2020, only 1690 scholarly documents were published with average number of articles per author less than one. United States emerged as the most prolific country in the research on ‘Mental Health’ followed by China and U.K. Most of the scholarly output were predominantly in English language and most of the universities were in the forefront in conducting research on mental health. Many researchers got funding encouragement from multiple agencies for their research on mental health stimulating collaborative research trend with Canadian Institutes of Health Research being the top funder. Most of the research publications got concentrated in only few top ranked journals in the field of mental health. These findings reinforce the need to increase the research on mental health.
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 | 0,015 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,117 | 0,212 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».