Faster, higher, stronger – together? A bibliometric analysis of author distribution in top medical education journals
Notice bibliographique
Résumé
INTRODUCTION: Medical education and medical education research are growing industries that have become increasingly globalised. Recognition of the colonial foundations of medical education has led to a growing focus on issues of equity, absence and marginalisation. One area of absence that has been underexplored is that of published voices from low-income and middle-income countries. We undertook a bibliometric analysis of five top medical education journals to determine which countries were absent and which countries were represented in prestigious first and last authorship positions. METHODS: . Country of origin was identified for first and last author of each publication, and the number of publications originating from each country was counted. RESULTS: Our analysis revealed a dominance of first and last authors from five countries: USA, Canada, UK, Netherlands and Australia. Authors from these five countries had first or last authored 70% of publications. Of the 195 countries in the world, 43% (approximately 83) were not represented by a single publication. There was an increase in the percentage of publications from outside of these five countries from 23% in 2012 to 40% in 2021. CONCLUSION: The dominance of wealthy nations within spaces that claim to be international is a finding that requires attention. We draw on analogies from modern Olympic sport and our own collaborative research process to show how academic publishing continues to be a colonised space that advantages those from wealthy and English-speaking 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 | 0,012 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,113 | 0,180 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».