Climate Change and Zoonoses: A Review of Concepts, Definitions, and Bibliometrics
Notice bibliographique
Résumé
Climate change can have a complex impact that also influences human and animal health. For example, climate change alters the conditions for pathogens and vectors of zoonotic diseases. Signs of this are the increasing spread of the West Nile and Usutu viruses and the establishment of new vector species, such as specific mosquito and tick species, in Europe and other parts of the world. With these changes come new challenges for maintaining human and animal health. This paper reports on an analysis of the literature focused on a bibliometric analysis of the Scopus database and VOSviewer software for creating visualization maps which identifies the zoonotic health risks for humans and animals caused by climate change. The sources retained for the analysis totaled 428 and different thresholds (N) were established for each item varying from N 5 to 10. The main findings are as follows: First, published documents increased in 2009-2015 peaking in 2020. Second, the primary sources have changed since 2018, partly attributable to the increase in human health concerns due to human-to-human transmission. Third, the USA, the UK, Canada, Australia, Italy, and Germany perform most zoonosis research. For instance, sixty documents and only 17 countries analyzed for co-authorship analysis met the threshold led by the USA; the top four author keywords were "climate change", "zoonosis", "epidemiology", and "one health;" the USA, the UK, Germany, and Spain led the link strength (inter-collaboration); the author keywords showed that 37 out of the 1023 keywords met the threshold, and the authors' keyword's largest node of the bibliometric map contains the following: infectious diseases, emerging diseases, disease ecology, one health, surveillance, transmission, and wildlife. Finally, zoonotic diseases, which were documented in the literature in the past, have evolved, especially during the years 2010-2015, as evidenced by the sharp augmentation of publications addressing ad-hoc events and peaking in 2020 with the COVID-19 outbreak.
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 | 0,013 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,185 | 0,289 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».