A country-based review in COVID-19 related research developments
Notice bibliographique
Résumé
The COVID-19 pandemic has turned our life topsy-turvy. It has bought a massive change in all sectors around the world. A great number of research papers have already been published accounting for various aspects of the COVID-19 issue, owing to the ever-increasing interest in this hot area. The essential data is gathered using the well-known and dependable search engine SCOPUS. We looked at research papers, journals, and reviews from 25 leading countries to highlight a comprehensive study of research output through COVID-19 papers. This study focuses on the top authors, leading articles, and journals from various nations, the percentage of published papers in various fields, and the top collaborative research work from different authors and countries. USA, UK, China, Italy, and India have all made a significant contribution to COVID-19 research. The USA is the leading country followed by UK and China but for H-index China is in the best position. The highest number of papers has been developed in the area of "medicine". The Harvard Medical School of the UK contributed the highest number of papers followed by the University of Toronto of Canada. Professor K. Dhama of India has published the highest number of papers while C. Huang of China received the highest number of citations. It also highlights that several authors have differing opinions on the efficacy of taking the medicine remdesivir. Our research provides a complete and comprehensive image of the virus’s current research status, or in other words, a roadmap of the present research status.
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 | 0,011 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,026 | 0,033 |
| 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 | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».