Covid-19 and Neurosciences: A Scientometric assessment of Global publications output during 2020–2021
Notice bibliographique
Résumé
This study analyses the research output in Covid-19 and Neurosciences during the period 2020–2021 and the analyses included global publications' share, citation impact, the share of countries, and patterns of research communication in most productive journals. It also analyses the characteristics of most productive institutions, authors, and high-cited papers. The most contributed countries are: the USA with 1307 publications followed far by the UK with 571, Italy with 541, China with 372, Germany with 286, India with 285, Canada with 272, Spain with 260, France with 212 and Brazil with 196 articles, etc. the prolific organizations are: Harvard Medical School from the USA (with 124 papers) and received 1200 Citations, followed by INSERM, France (with 87 papers) and received 881 Citations, University of Toronto, Canada (with 86 papers) and received 1720 Citations, King's College London, UK (with 77 papers), University College London with 64, the University of Oxford with 64, Massachusetts General Hospital with 54. The most preferred journals are Psychiatry Research with 270 articles followed by Frontiers In Neurology with 155, Lancet Psychiatry with 149, Brain Behavior And Immunity with 136, Journal Of Neurology with 135, Peerj with 132, and Multiple Sclerosis And Related Disorders with 119. There is an urgent need to substantially increase the research activities in the field of Covid-19 and Neurosciences during the pandemic period.
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 | 0,000 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».