Research Productivity of Life Sciences from 2014-2016: A Scientometric Study through Web of Science Database
Notice bibliographique
Résumé
This paper attempts to analyse quantitatively the growth and development of ‘Life Sciences’ research publication output as reflected in the Web of Science (WOS) database from 2014 to 2016. A total of 9941 papers published by the researchers in the Research areas Life Sciences. The Year wise analysis shows that Life Sciences reflected with 3313 papers per year. In the year 2016 topped with 3824 publications and the lowest were in the year 2014 with 2711 publications. The trend shows that Life Sciences Research productivity has gradually increased. Science Technology and other topics topped with 672 documents (6.72%) published, most of them are Journal article as document type with 7395 (74.39%) and the most preferred source is Co Charane Database of Systematic Reviews 215 (2.16%) to publish. The country-wise distribution shows that the USA ranked topped with 3151 (31.70%) publications. India published 242 (2.43%publications with 13th position). Among the authors, a total of 31 records published without the author name mentioned with Anonymous. Guruwwamy K S ranked first and published 25 articles, Davidson B R with 19 and Liu Y with 17. So many organizations/Institutions have published the articles in Life Sciences. Harvard University has published 131 (1.32%), followed by UCL 101 (1.02%), University Toronto 97 (0.98%) and so on.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,061 | 0,106 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».