The Research Scholarly Output of Africa in Dermatology From 2012 to 2021: Focus on the Top 10 Dermatology Journals
Notice bibliographique
Résumé
Africa's contributions to dermatology research have been underreported in the literature, prompting our investigation of the number and quality of scholarly output across the continent's 49 countries.Using Scopus/SciVal, we analyzed publications from 2012 to 2021 and found only 4579 articles with 36,691 citations, indicating limited productivity.A total of 1804 (39.6%) papers, with 23,414 citations, were published with international collaboration.To evaluate productivity by country, we used four indicators: number of publications, citations, citations per publication, and field-weighted citations impact.Egypt published the most documents (n=1688), followed by South Africa (n=685), Tunisia (n=388), Ethiopia (n=351), Morocco (n=290), Nigeria (n=249), and Kenya (n=206).The countries with the highest citations were Egypt (n=13,667), South Africa (n=8558), Morocco (n=2413), Kenya (n=2197), and Ethiopia (n=2176).Table 1 presents data for all 49 countries.
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 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,018 | 0,028 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,016 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,004 |
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 ».