Top 100 most‐cited oral health‐related quality of life papers: Bibliometric analysis
Notice bibliographique
Résumé
OBJECTIVE: This study assessed the features of the 100 most-cited papers on oral health-related quality of life (OHRQoL). METHODS: The 100 most-cited OHRQoL papers were collected from Web of Science, adopting a combined keyword search strategy. Google Scholar and Scopus databases were searched to compare citations. The following data were extracted from papers: title of the paper, number of citations, authorship, country, year of publication, title of the journal, study design, sample size, topic and OHRQoL instruments used. Graphical bibliometric networks were created using VOSviewer software. RESULTS: The number of citations of the top 100 most-cited OHRQoL papers ranged from 73 to 949. Fifty-six papers received at least 100 citations and two received more than 400 citations. Most papers were from Canada (23%) and had been published in Community Dentistry and Oral Epidemiology (37%). David Locker was the most-cited author (25 papers; 3,521 citations). The cross-sectional study design was the most common (68%). The impact of oral health conditions on OHRQoL (43%) was the most frequent topic, and the Oral Health Impact Profile (OHIP) was the most commonly used OHRQoL instrument (48%). CONCLUSIONS: This bibliometric analysis highlighted the characteristics of the 100 most-cited OHRQoL papers, demonstrating that this field is far from saturated. This list of the most-cited articles can provide a reference point to guide oral health research, education and services.
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 | 0,124 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,175 | 0,177 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».