Scholarly Research Output on COVID-2019: The Published Literature Analysis on the ISI Web of Science Databases
Notice bibliographique
Résumé
The research portrays evaluation of published literature on the topic of COVID-2019 globally. The ISI Web of sciences database was used to access the published literature till December 01, 2020. The types of publications included in the research were, editorials, letters, reviews, articles, case reports, abstracts, and books. The indicators based on the factors; publication period, the most contributing authors, most publishing institutes, countries’ contributions, and research journals titles. A total of 82371 documents were retrieved from the database. The USA has produced 16229 documents that are the almost 20% of the total publications. The contribution on research from China is at second position with the numbers of 6994 (8.491%). Italy in research productivity remained third with the number of 5925 (7.193 %). England, India, Canada, Spain Germany, Australia, and France remained in the top ten productive countries in the publication of Covid-2019 respectively. The research publications percentage of these seven countries remained 2.721- 7.005 percent.
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 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,173 | 0,234 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,011 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,026 |
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 ».