Trends in Brain Research: A Bibliometric Analysis
Notice bibliographique
Résumé
BACKGROUND: Bibliometrics methods have allowed researchers to assess the popularity of brain research through the ever-growing number of brain-related research papers. While many topics of brain research have been covered by previous studies, there is no comprehensive overview of the evolution of brain research and its various specialties and funding practices over a long period of time. OBJECTIVE: This paper aims to (1) determine how brain research has evolved over time in terms of number of papers, (2) countries' relative and absolute positioning in terms of papers and impact, and (3) how those various trends vary by area. METHODS: Using a list of validated keywords, we extracted brain-related articles and journals indexed in the Web of Science over the 1991-2020 period, for a total of 2,467,708 papers. We used three indicators to perform: number of papers, specialization, and research impact. RESULTS: Our results show that over the past 30 years, the number of brain-related papers has grown at a faster pace than science in general, with China being at the forefront of this growth. Different patterns of specialization among countries and funders were also underlined. Finally, the NIH, the European Commission, the National Natural Science Foundation of China, the UK Medical Research Council, and the German Research Foundation were found to be among the top funders. CONCLUSION: Despite data-related limitations, our findings provide a large-scope snapshot of the evolution of brain research and its funding, which may be used as a baseline for future studies on these topics.
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 | 0,014 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,176 | 0,247 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 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) | 0,003 | 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 ».