The Scope, Growth, and Inequities of the Global Neurosurgery Literature: A Bibliometric Analysis
Notice bibliographique
Résumé
BACKGROUND: Here, we evaluate the evolution and growth of global neurosurgery publications over time, further focusing on the contributions and impact of authors in low- and middle-income countries (LMICs). METHODS: In this systematic bibliometric analysis, we conducted a two-stage blinded screening process of global neurosurgery publications from 5 databases from inception through July 2021. Articles involving multi-national/multi-institutional research collaborations, detailing any area of global neurosurgery collaboration, or influencing global neurosurgery practice were included. Statistical hypothesis testing was conducted to analyze trends and hypotheses of LMIC authorship contributions. RESULTS: The number of global neurosurgery publications has soared in the last decade. Overall, authors from HIC countries were most commonly from the US (41.1%), Canada (4.0%), and the UK (3.9%), while authors from LMIC countries were most commonly from Uganda (4.2%), Tanzania (2.6%), Cameroon (1.8%), and India (1.8%). Over a quarter (28%) of publications had no LMIC authors, while only 11% had 3 or more LMIC authors. The proportion of LMIC authors (LMIC-R) was not correlated with the citation rate of individual articles or with the year of publication, and a positive trend emerged when the LMIC-R of top-publishing LMICs was individually examined and compared to the year of publication. CONCLUSIONS: Despite recent growth, the number of global neurosurgery publications arising from LMICs pales in comparison to those from HICs. Collaborative efforts between certain HICs and LMICs have likely contributed to the observed increase in LMIC author independence over time.
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 | 0,018 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,148 | 0,171 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».