A Bibliometric Analysis of the Top 100 Most-Cited Papers Concerning Dental Fluorosis
Notice bibliographique
Résumé
A high number of citations can indicate the potential of any specific paper to influence other research and generate changes in clinical practice. Analyzing the most-cited papers in a certain scientific field may assist researchers to identify the influential papers as well their main characteristics. The present study aimed to analyze the 100 most-cited papers concerning dental fluorosis (DF) through a bibliometric review. A search was performed in the Web of Science Core Collection (WoS-CC) database in November 2021. The papers were displayed in descending order according to the number of citations in WoS-CC. Two independent researchers performed the selection. Scopus and Google Scholar were used to compare the number of citations with WoS-CC. The following data were extracted from the papers: title, authors, number and density of citations, institution, country, continent, year of publication, journal title, keywords, study design, and theme. Collaborative networks were generated using the VOSviewer software. The top 100 most-cited papers were published between 1974 and 2014 and were cited 6,717 times (ranging from 35 to 417). Community Dentistry and Oral Epidemiology (24%), Journal of Dental Research (21%), Journal of Public Health Dentistry (17%), and Caries Research (13%) published the most papers. Observational studies (60%) and literature reviews (19%) were the most common study designs. The main topics were epidemiology (44%) and fluoride intake (32%). The countries with the highest number of papers were the USA (44%), Canada (10%), and Brazil (9%). The University of Iowa (USA) had the most papers (12%). Levy SM was the author with the highest number of papers (12%). The 100 most-cited papers on DF were mainly observational studies focused on epidemiology and originated in North America. There were few interventional studies and systematic reviews among the most-cited papers concerning this topic.
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 | 0,022 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,233 | 0,211 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».