Knowledge domain and emerging trends in brachytherapy: A scientometric analysis
Notice bibliographique
Résumé
Abstract Objective Assessing the current scientific situation helps to recognize the gaps and strengths of brachytherapy research projects. This research project was conducted to assess the knowledge domain and emerging trends in brachytherapy through a scientometric perspective. Methods For the present research, the Web of Science database was considered as the data source. Integrated data was transferred to Bibliometrix R Package V3.1. In this study, the scientometric approach was performed by CiteSpace 5.8.R3 to draw the trends and signify issues in the research area. Eventually, scientometric indicators were evaluated at the level of authors, documents, journals, organizations, and countries. Results A total of 31,362 documents from 64,740 Independent researchers were retrieved. The United States, Germany, and Canada were the most active countries in brachytherapy‐related research projects. In the present study, Luc Beaulieu, Christine Kirisits, and Ronald Nath were identified as the most influential authors. Eventually, keywords clusters were constructed by using the method of co‐citation analysis. In this case, the main clusters were cervical cancer and prostate cancer. Conclusion Assessing the scientific trends in brachytherapy indicated that new insights have been gained into this cancer treatment technique. In this case, development of computer applications and artificial intelligence alongside deep learning utilization provides new horizons for oncology and radiotherapy researchers.
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 | 0,016 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,131 | 0,127 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| 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 ».