Research trends on interventional studies for Mild Cognitive Impairment (MCI): A bibliometric analysis using CiteSpace
Notice bibliographique
Résumé
Abstract Background Mild Cognitive Impairment (MCI) is a transitional stage between normal aging and the onset of dementia. The early detection of MCI is essential to avoid certain irreversible brain damage at the end of life. While there have been a variety of preventive interventions used in the past three decades, need to know the current trends is necessary for developing updated preventive modules for MCI. Objectives This bibliometric study examines the current trends in interventional research for treating MCI. Methods Published records were obtained from the Web of Science Core Collection (WoSCC) for the period of 1989–2023. CiteSpace 6.2.R4 (64-bit) advanced version software was utilized for mapping and bibliometric analysis of this study. Overall, 400 records were retrieved and analyzed using document co-citation analysis (DCA), author co-citation analysis (ACA), institutional, country based, and keyword analysis. Results It was found that the publication records were steadily increased in the recent five years (2018–2022) and shows that more than half of the interventional studies (234) were conducted on the recent times. Although United States (US) published highest number of publications (115), Canada secured top position based on burst (3.89) in country wise analysis. In ACA, Petersen RC_2003 secured top position based on citation counts (237), Rapp S_2006 on Burst strength (10.69), Ball K_2006 on Centrality (0.19) and Sigma value (2.00). Through the DCA analysis, clusters such as computerized cognitive training, virtual reality, rhythm training, and dance intervention, were considered to be the indicators of emerging trends.
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 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,210 | 0,279 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».