Worldwide scientific efforts on nursing in the field of SARS-CoV-2: a cross-sectional survey analysis
Notice bibliographique
Résumé
INTRODUCTION: Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection has been a global public health issue. This study aimed to characterize global nursing research on SARS-CoV-2. METHODOLOGY: Nursing-related publications through December 31, 2022, were identified using Scopus. The number of studies, study types, countries, institutions, journals, authors, h-index, total confirmed cases, total deaths, and the highest-cited studies were investigated. RESULTS: In total, 12,427 studies were identified. The number of studies increased rapidly, particularly between 2020 and 2021, with a 2.36-fold increase. The United States published the most studies (3,289, 26.47%), followed by the United Kingdom (1,059, 8.52%) and China (877, 7.06%). Scientific productivity significantly correlated with the total confirmed cases (r = 0.701, p = 0.024) and total deaths (r = 0.804, p = 0.005). The United States had the highest h-index (80), followed by China (59), and the United Kingdom (57). The University of Toronto published the most studies (181), followed by Harvard Medical School (165), and the University of São Paulo (107). Gravenstein S (23) was the most prolific author, followed by Mor V (22), and Rosa WE (19). The International Journal of Environmental Research and Public Health published the most papers (436), followed by PLOS ONE (219), and BMJ Open (185). CONCLUSIONS: Several countries, institutions, journals, and authors contributed greatly to SARS-CoV-2-related nursing studies. Countries with larger numbers of confirmed cases and deaths tended to publish more nursing studies. The United States, United Kingdom, and China had the highest quantity and quality of studies.
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 | 0,049 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,012 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».