Sub-Saharan African Countries‘ COVID-19 Research: An analysis of the External and Internal Contributions, Collaboration Patterns and Funding Sources
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
Abstract This study aims at providing some evidence-based insight into Sub-Saharan Africa’s first eighteen months of COVID-19 research by evaluating its research contributions, patterns of collaboration, and funding sources. Eighteen months (2020 January 1-2021 June 30) COVID-19 publication data of 46 Sub-Saharan African countries was collected from Scopus for analysis. Country of affiliation of the authors and funding agencies data was analyzed to understand country contributions, collaboration pattern and funding sources. USA (23.08%) and the UK (19.63%), the top two external contributors, collaborated with Sub-Saharan African countries about three times more than other countries. Collaborative papers between Sub-Saharan African countries - without contributions from outside the region- made up less than five per cent of the sample, whereas over 50% of the papers were written in collaboration with researchers from outside the region. Organizations that are in the USA and the UK funded 45% of all the COVID-19 research from Sub-Saharan Africa. 53.44% of all the funding from Sub-Saharan African countries came from South African organizations. This study provides evidence that pan-African COVID-19 research collaboration is low, perhaps due to poor funding and lack of institutional support within Sub-Saharan Africa. This mirrors the collaborative features of science in Sub-Saharan Africa before the COVID-19 pandemic. The high volume of international collaboration during the pandemic is a good development. There is also a strong need to forge more robust pan-African research collaboration networks, through funding from Africa’s national and regional government organizations, with the specific objective of meeting local COVID-19 and other healthcare needs.
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 | 0,008 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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