Computational Methods for Characterizing Research Outputs, Collaborative Networks and Thematic Concentration: a Case Study in Primary Care Research Evaluation
Notice bibliographique
Résumé
A bstract Objective Research impact is difficult to measure, evaluate and report. This study aims to demonstrate how computational scientometric methods, including bibliometric, network analytic, and thematic summary measures can efficiently characterize complex scientific disciplines, such as primary care research. Methods We used a retrospective cohort design. The study included N=17 international academic primary care research departments. A scientometric database was curated using a bottom-up methodology, which included peer-reviewed research articles/reviews, and associated meta-data, published between 01/01/2017 and 31/12/2022. Publication-level bibliometric information was queried from the Scopus application programming interface (API). The Altmetrics API was used to extract publication-level indicators of social engagement. Network analytic visualizations and statistics characterized research collaboration. Topic models and keyword mining characterized the main thematic areas of primary care research. At an author-level, we investigated correlations between bibliometric, altmetric, network analytic and topical summary measures. Results Our analysis included N=591 primary care researchers (from 17 institutions) who produced 13,047 unique peer-reviewed articles over the study timeframe. These 13,047 research articles were published in 2,237 unique journal titles; cited 231,121 times; and received broad social uptake (605,349 Twitter tweets, 36,982 mainstream media mentions, 884 Wikipedia references, and 1,127 policy document citations). The 591 researchers collaborated with 35,585 unique co-authors resulting in 20,808,886 pair-wise collaborations. The median number of authors per publication was 7 (IQR: 4-10; min=1; max=3,391). Frequently occurring keywords/n-grams and latent topical vectors, highlighted the diversity of primary care research. Clinical research themes included: physical/mental health conditions, disease prevention and screening, issues in primary/obstetric/emergency/palliative-care, and public health. Methodological research themes included: research synthesis/appraisal, statistical/epidemiological inference, study design, qualitative research, mixed methods, health economics, medical education, and quality improvement. Many themes were stable over the study timeframe. COVID-19 emerged as an important research theme from 2020 through 2022. Topic vectors encoding clinical medicine were positively correlated with bibliometric, altmetric and network centrality measures, whereas, vectors encoding qualitative methods, medical education, and public health were negatively correlated with these same metrics. Conclusions Multi-metric, computational scientometric methods offer an efficient, transparent, and reproducible means for characterizing the research output of complex scientific disciplines, such as primary care research.
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 | 0,043 | 0,155 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,013 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».