The evolution of research on depression during COVID-19: A visual analysis using Co-Occurrence and VOSviewer
Notice bibliographique
Résumé
Background: The COVID-19 pandemic has led to public health problems, including depression. There has been a significant increase in research on depression during the COVID-19 pandemic. However, little attention has been paid to the overall trend in this field based on bibliometric analyses. Methods: Co-Occurrence (COOC) and VOSviewer bibliometric methods were utilized to analyze depression in COVID-19 literature in the core collection of the Web of Science (WOS). The overall characteristics of depression during COVID-19 were summarized by analyzing the number of published studies, keywords, institutions, and countries. Results: A total of 9,694 English original research articles and reviews on depression during COVID-19 were included in this study. The United States, China, and the United Kingdom were the countries with the largest number of publications and had close cooperation with each other. Research institutions in each country were dominated by universities, with the University of Toronto being the most productive institution in the world. The most frequently published author was Ligang Zhang. Visualization analysis showed that influencing factors, adverse effects, and coping strategies were hotspots for research. Conclusion: The results shed light on the burgeoning research on depression during COVID-19, particularly the relationship between depression and public health. In addition, future research on depression during COVID-19 should focus more on special groups and those at potential risk of depression in the general population, use more quantitative and qualitative studies combined with more attention to scale updates, and conduct longitudinal follow-ups of the outcomes of interventions. In conclusion, this study contributes to a more comprehensive view of the development of depression during COVID-19 and suggests a theoretical basis for future research on public health.
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 | 0,013 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,165 | 0,136 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».