Equity in Global Neurosurgery Publications: Breaking Down Barriers in Discourse
Notice bibliographique
Résumé
As neurosurgery steps into a new era of global collaboration in clinical care and teaching, neurosurgeons' academic opportuni ties inlower resource countries lag their counterparts in higher-income countries (1). Recent efforts to quantify and bring attention to the gapin surgical care globally with the Lancet Commission have trickled into neurosurgery, demonstrating the challenges in low res ourceclinical settings and their lack of representation in the literature (2). Our focus is often and most readily drawn to these disparities incare – but that is only part of the healthcare divide. The inequities that exist in neurosurgery extend beyond the operating room andinto academia. We are confident that this inaugural issue of the Journal of Global Neurosurgery represents a meaningful step towardsimproving access to academia's traditionally rarefied world for all interested neurosurgery providers.Halting the perpetuation of this historical "north-south gap" requires a conscious effort in our community to equalize opportunities. In2020 alone, over 80 new publications were indexed on PubMed with the keyword "global neurosurgery" – twice as many as 2018 and2019. Even with a steadily increasing interest in this domain, most reports in global neurosurgery – both in terms of impact andquantity – originate from high-income countries (3). Young neurosurgeons in low- and middle-income countries have universallypointed to a lack of research opportunities as the most common personal challenge to their practices, in addition to limited access tomentors, journals, and textbooks (1). There is a growing audience for global neurosurgical literature and a documented interest amongyoung neurosurgeons for science access.
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 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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».