Pharmacology, Toxicology, and Pharmaceutics Research Output in One Hundred and Fifty Countries for the Year 2019-2020
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this note, the data about “Pharmacology, Toxicology, and Pharmaceutics” is compiled.Scopus has included pharmacology, toxicology & pharmaceutics (all), pharmacology,toxicology, pharmaceutics (miscellaneous), drug discovery, pharmaceutical science,pharmacology, and toxicology in the stated category. We analyzed the publications data ofone hundred and fifty (150) countries for 2019-2020. The data were independently screened,sorted, and extracted on 29th Dec 2020 (from Scopus). Based on the number of publications(NoP) and growth rate (GR), we designed and ranked the top country in each “publicationclub,” as shown in Table 1. Furthermore, if we ignore the minimum number of publications,the top ten ranked countries with growth rate are Uzbekistan (n = 1388.37), Ethiopia (n =238.64), Brunei Darussalam (n = 200.00), Gambia (n = 200.00), Mongolia (n = 171.43),Honduras (n = 150.00), Philippines (n = 144.00), Rwanda (n = 142.86), French Polynesia (n= 125.00) and Benin (n = 120.00). Based on the total publication record from more than 150countries (n = 118706 for 2020 and n = 100366 for 2019), a significant and positive growthrate (n = 18.27) has been noticed in “Pharmacology, Toxicology, and Pharmaceutics”. TheNoP and GR details of each country are provided in Table 2
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.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle