Mapping the health science librarianship research field in 2012 – 2022
Notice bibliographique
Résumé
Introduction: Evidence-based practice is an important aspect of health science librarianship. However, good evidence-based practice can only occur if the body of evidence is also of adequate quality. By using bibliometric techniques to map the health science librarianship research field, one can better understand the properties of the evidence base in health science librarianship. Methods: The Library Literature & Information Science Full Text database was used to generate a bibliography of publications pertaining to health librarianship limited to the time span of 2012-2022. Using Excel and Microsoft Power BI, a descriptive analysis was conducted. VosViewer was used to create a subject term co-occurrence map. Results: The average number of publications per year is 207.3 and it was trending downwards for 2012-2022. The most frequently assigned subject term was "survey". The average number of authors per paper is 2.5 and was trending upwards. The subject term co-occurrence map identified 5 clusters of keywords, which were interpreted as major themes found in the body of literature. Discussion: The 5 keyword clusters were interpreted as major themes found in the body of literature. The identified themes were professional development, measuring the value output of librarian services, measuring the return on investment of library resources, improving the quality of LIS research, and outreach to other library and healthcare institutions. This depicts the health science librarianship research landscape as one of collaboration, concerned with finding ways of demonstrating value, and connecting with other types of libraries and the public.
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 | 0,015 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,078 | 0,132 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,010 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».