MétaCan
Menu
Retour à la cohorte
Enregistrement W3198884818 · doi:10.3390/agronomy11091729

Hyperaccumulators for Potentially Toxic Elements: A Scientometric Analysis

2021· article· en· W3198884818 sur OpenAlexaff
Dongming Zhang, Miles Dyck, Lana Filipović, Vilim Filipović, Jialong Lv, Hailong He

Notice bibliographique

RevueAgronomy · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHeavy metals in environment
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésHyperaccumulatorPhytoremediationChinaBeijingWeb of scienceChinese academy of sciencesEnvironmental remediationGeographyEnvironmental protectionEnvironmental scienceLibrary sciencePolitical scienceEcologyBiologyComputer scienceSoil waterContaminationArchaeology

Résumé

récupéré en direct d'OpenAlex

Phytoremediation is an effective and low-cost method for the remediation of soil contaminated by potentially toxic elements (metals and metalloids) with hyperaccumulating plants. This study analyzed hyperaccumulator publications using data from the Web of Science Core Collection (WoSCC) (1992–2020). We explored the research status on this topic by creating a series of scientific maps using VOSviewer, HistCite Pro, and CiteSpace. The results showed that the total number of publications in this field shows an upward trend. Dr. Xiaoe Yang is the most productive researcher on hyperaccumulators and has the broadest international collaboration network. The Chinese Academy of Sciences (China), Zhejiang University (China), and the University of Florida (USA) are the top three most productive institutions in the field. China, the USA, and India are the top three most productive countries. The most widely used journals were the International Journal of Phytoremediation, Environmental Science and Pollution Research, and Chemosphere. Co-occurrence and citation analysis were used to identify the most influential publications in this field. In addition, possible knowledge gaps and perspectives for future studies are also presented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesBibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,862
Score d'incertitude au seuil0,048

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,038
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,1380,195
Études des sciences et des technologies0,0010,001
Communication savante0,0060,004
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,275
Écart entre enseignants0,256 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAgronomyMême sujetHeavy metals in environmentTravaux en français237 207