The performance of bibliometric analyses in the health sciences
Notice bibliographique
Résumé
A bibliometric analysis (BA) is a knowledge synthesis methodology aimed at quantitively summarizing large amounts of bibliometric data. We aimed to summarize the performance of BAs in the health sciences. We searched Scopus for BAs in the health sciences published prior to May 10, 2023. All identified studies were included. We performed a BA on these studies in two steps: performance analysis and science mapping. For the performance analysis, various indicators of scientific production were calculated using the bibliometrix R package. For the science mapping, VOSviewer was used to generate a co-authorship network and a keyword co-occurrence network. In total, 5,828 BAs were analyzed. Scientific production has exploded in the last years, with more than 1,500 BAs published in 2022 alone. Scientific impact (i.e. citations) has also been rising, although at a lesser pace. The mean number of citations per year per BA was 1.78. China was the most productive country, publishing more BAs than the nine other most productive countries combined. China paradoxically had a lower number of citations per publication compared with the nine other most productive countries. International collaborations were rare. Common BA themes included oncology, public health, neurosciences, mental health, artificial intelligence, and COVID-19. BAs are increasingly common in the health sciences, but their performance remains limited. More international collaborations and standardized guidelines could help improve their performance, notably the frequency at which they are cited.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,267 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,395 | 0,842 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,009 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».