The application of exponential random graph models to collaboration networks in biomedical and health sciences: a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Collaboration has become crucial in solving scientific problems in biomedical and health sciences. There is a growing interest in applying social network analysis to professional associations aiming to leverage expertise and resources for optimal synergy. As a set of computational and statistical methods for analyzing social networks, exponential random graph models (ERGMs) examine complex collaborative networks due to their uniqueness of allowing for non-independent variables in network modeling. This study took a review approach to collect and analyze ERGM applications in health sciences by following the protocol of a systematic review. We included a total of 30 studies. The bibliometric characteristics revealed significant authors, institutions, countries, funding agencies, and citation impact associated with the publications. In addition, we observed five types of ERGMs for network modeling (standard ERGM and its extensions—Bayesian ERGM, temporal ERGM, separable temporal ERGM, and multilevel ERGM). Most studies (80%) used the standard ERGM, which possesses only endogenous and exogenous variables examining either micro- (individual-based) or macro-level (organization-based) collaborations without exploring how the links between individuals and organizations contribute to the overall network structure. Our findings help researchers (a) understand the extant research landscape of ERGM applications in health sciences, (b) learn to control and predict connection occurrence in a collaborative network, and (c) better design ERGM-applied studies to examine complex relations and social system structure, which is native to professional collaborations.
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.
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 | 0,018 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle