Factors Affecting the Use of Medical Articles for Citation and Academic Reference
Notice bibliographique
Résumé
Introduction: Increases in publication quantity and the onset of open access have increased the complexity of conducting a literature search. Bibliometric markers, like impact factor (IF), have traditionally been used to help identify high-quality research. These markers exist amongst a variety of other factors, which poses the following question: what factors are examined when considering articles for clinical and academic research? Objective: To determine what factors are involved when authors choose citations to include in their publications. Methods: A voluntary and anonymous questionnaire-based survey was distributed to medical students, residents, and faculty from multiple medical schools across Canada during the 2020/2021 academic year. Survey ratings were scored on a 5-point Likert scale and open word response. Results: The study collected 156 complete sets of responses including 78 trainees (61 medical students and 17 residents), and 78 faculty. Language of the article (3.93) and availability on PubMed/Medline (3.77) were found more important than country of origin (2.14), institution (2.26), and IF (2.97). Trainees found the following factors more important than faculty: year of publication (3.94 vs 3.47, p = 0.0016), availability on Google/Google Scholar (2.51 vs 1.88, p = 0.0013), Open-access (2.46 vs 1.87, p = 0.0011), and Free access (2.73 vs 2.31, p = 0.049). Conclusion: Our study identified differences in faculty and trainee literature search preferences, bias towards English language publications, and the movement towards online literature sources. This knowledge provides insight into what biases individuals may be exposed to based on their language and literature search preferences. Future areas of research include how trainees' opinions change over time, identifying trainee ability to recognize predatory journals, and the need for better online journal article translators to mitigate the language bias. We believe this will lead to higher quality evidence and optimal patient care amongst healthcare workers.
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 | 0,030 | 0,237 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».