Factors Affecting the Time to Publication in Ophthalmology Journals: A Comprehensive Bibliometric Analysis
Notice bibliographique
Résumé
There are currently no available aids for authors when selecting ophthalmology journals to submit their manuscripts. We aim to provide comprehensive data on the duration from submission to various stages of the publication process and assess factors influencing time to publication in ophthalmology journals. A list of ophthalmology journals was obtained from the 2019 Web of Science Journal Citation Report. Journal characteristics, such as five-year impact factor, number of authors per article, journal type, and number of multi-institutional articles, were collected. The dates of submission, acceptance, electronic and print publication for all articles published in an ophthalmology journal in 2019 were determined. In total, 56 journals and 8835 research articles were included. Of these articles, 3591 (40.6%) were open access and 4837 (54.7%) were multi-institutional. In 2019, most publications came from the United States of America (n = 1973), China (n = 1069) and Germany (n = 602). Significant associations were found between various predictors and a reduced mean number of days from submission to electronic publication: increased journal five-year impact factor (<i>p = </i>.026), more authors (<i>p = </i>.028), publishing in a hybrid journal (both open-access and subscription articles) versus an open-access journal (<i>p = </i>.021), and a reduced proportion of multi-institutional articles in a journal (<i>p = </i>.030). There is a wide variation in the time to acceptance and publication in ophthalmology journals. Authors can expect a shorter time to publication when publishing in high-impact journals.
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 | 0,003 | 0,213 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,127 | 0,427 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,007 | 0,001 |
| Science ouverte | 0,007 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,608 | 0,012 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».