Research performance of the GCC countries: A comparative analysis of quantity and quality
Notice bibliographique
Résumé
Given the increased focus on scientific research in the Gulf Cooperation Council (GCC) countries, it is important to have a thorough bibliometric study about their research productivity and its progress over a long period of time. Using the world's largest bibliometric database (Scival/Scopus), we analyzed the research output of the GCC countries, from 1996 to 2020, in various disciplines. We considered raw metrics of quantity (number of articles) and quality (citations, citations/article, and Field-Weighted Citation Impact -FWCI), and then normalized them to population size, Gross Domestic Product (GDP), Gross Expenditure on Research and Development (GERD), and number of researchers. Over the past 25 years, the GCC countries have witnessed an increase in research productivity, with Saudi Arabia having the highest research output (ca. 38,000 articles for 2020) and Qatar having the highest fold growth (77.6-fold increase). The GCC countries had diverse research portfolios with varying growth over the years across almost all disciplines. When normalized to population size or GDP, growth rates were dampened for all GCC countries. The increased research output in the GCC was coupled with a high percentage of international collaborations and a reasonable increase in the quality of publications. While the research performance in the GCC countries has promisingly enhanced, it remains low compared to that of international countries (Switzerland, Singapore, and Canada) which have remarkable research productivity. Considering the GCC's economic standings and the potential for further growth, the GCC countries would need increased investment in scientific research and in human capital to be able to catch up with the highest international standards in research.
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 | 0,053 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,030 | 0,270 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».