Data Mining of Systematic Reviews 1934-2023: A Bibliometric Analysis
Notice bibliographique
Résumé
Introduction Systematic reviews consolidate evidence and drive clinical practice guidelines, cost-effective analyses, and policy decisions; therefore, their annual publication rate has increased significantly. We used bibliometric analysis to identify research trends, the most searched topics, authors and organizations productivity and collaboration, the research network, and research gaps by examining keywords frequency and systematic reviews distribution. Methods We searched the PubMed database for systematic reviews using the systematic review filter described by Salvador-Oliván and coauthors, which has higher recall than the PubMed SR filter. The search period was from 1934 until February 3, 2023. Microsoft Excel and the VOSviewer application were used for analyzing yearly trends, institutions, authors, and keywords, as well as to create tables and network figures. Results A total of 378,685 articles were published. The number of articles published has been rising steadily during the past five years. The University of Toronto and McMaster University in Canada (n = 1415 and n = 1386) were the leading contributory universities. “Genetic predisposition to disease”, “postoperative complications”, “neoplasm”, “stroke”, and “covid-19” were the top 5 occurring keywords that are particular to a specialty in systematic reviews. Conclusion This bibliometric research examined systematic reviews, publication trends, the majority of publishing disciplines, authors and organizations productivity, and collaborative efforts. The results of this study could prove to be an invaluable resource for researchers, policymakers, and healthcare professionals.
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 | 0,107 | 0,401 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,010 |
| Bibliométrie | 0,215 | 0,270 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,011 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».