177 International Authorship Trends in Academic Neurosurgery and Effect of Double-Blind Review
Notice bibliographique
Résumé
INTRODUCTION: There is a lack of data on international publication rates and whether reviewer biases exist that may affect diversity of authorship. METHODS: Articles published within Neurosurgery, Journal of Neurosurgery (JNS), and World Neurosurgery (WNS) were collected from 2000-2019. Country affiliation data was assigned and analyzed with respect to journal, year of publication, neurosurgical subspeciality, and relative impact. RESULTS: Across 23,325 articles, lead authorship consisted of United States (42.9%, N = 10,005), Japan (9.9%, N = 2,305), China (9.3%, N = 2,167), Germany (5.1%, N = 1,187), South Korea (3.3%, N = 773), Italy (3.3%, N = 773), Canada (3.3%, N = 769), and other nations (22.9%, N = 5,346). Rates of publications did not differ across United States, Asian countries, South/Latin American countries, or African countries pre- and post-initiation of double-blind review in Neurosurgery (p > 0.05). Annual percentage of publications showed highest relative decrease for the United States (-0.48% per year, r 2 = 0.194) and increase for China (0.87% per year, r 2 = 0.761). WNS published fewer articles from the United States compared to Neurosurgery or JNS (Mean difference [MD] -20.6%, p < 0.001), and more articles from Asian (MD +23.5%, p < 0.001), Latin/South American (MD +1.4%, p < 0.001), and African countries (MD +0.8%, p < 0.001). Unbiased co-authorship clustering by country demonstrated that certain countries were more likely to publish together based on geopolitical characteristics. CONCLUSIONS: There is a higher relative contribution to neurosurgery publications from authors in the United States compared to other countries. This effect is not due to potential biases in single-blind review, as evidenced by a natural experiment comparing authorship rates at Neurosurgery pre- and post-initiation of double-blind review in 2011. Additional research is needed to determine whether other biases contribute to differences in publication rates across 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 | 0,461 | 0,758 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,023 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».