Meta-Research: A Poor Research Landscape Hinders the Progression of Knowledge and Treatment of Reproductive Diseases
Notice bibliographique
Résumé
ABSTRACT Reproductive diseases have gone under the radar for many years, resulting in insufficient diagnostics and treatments. Infertility rates are rising, preeclampsia claims over 70 000 maternal and 500 000 neonatal lives globally per year, and endometriosis affects 10% of all reproductive-aged women but is often undiagnosed for many years. Changes in policy have been enacted to mitigate the gender inequality in research investigators and subjects of medical research. However, the disparities in reproductive research advancement still exist. Here, we analyzed the reproductive science research landscape in attempt to quantify the gravity of the current situation. We find that non-reproductive organs are annually researched 5-20 times more than reproductive organs leading to an exponentially increasing relative knowledge gap in reproductive sciences. Additionally, reproductive organs (breast and prostate) are mainly researched when there is a disease-focus, leading to a lack of basic understanding of the reproductive organs. This gap in knowledge affects reproductive syndromes, as well as other bodily systems and research areas, such as cancer biology and regenerative medicine. Action must be taken by current researchers, funding organizations, and educators to combat this longstanding disregard of reproductive science.
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 | 0,297 | 0,521 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,012 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,011 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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.
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».