Analysis of research topics and trends in investigator-initiated research/trials (IIRs/IITs): A topic modeling study
Notice bibliographique
Résumé
BACKGROUND: With the exponential growth of publications in the field of investigator-initiated research/trials (IIRs/IITs), it has become necessary to employ text mining and bibliometric analysis as tools for gaining deeper insights into this area of study. By using these methods, researchers can effectively identify and analyze research topics within the field. METHODS: This study retrieved relevant publications from the Web of Science Core Collection and conducted bioinformatics analysis. The latent Dirichlet allocation model, which is based on machine learning, was utilized to identify subfield research topics. RESULTS: A total of 4315 articles related to IIRs/IITs were obtained from the Web of Science Core Collection. After excluding duplicates and articles with missing abstracts, a final dataset of 3333 articles was included for bibliometric analysis. The number of publications showed a steady increase over time, particularly since 2000. The United States, Germany, the United Kingdom, the Netherlands, Canada, Denmark, Japan, Switzerland, and France emerged as the most productive countries in terms of IIRs/IITs. The citation analysis revealed intriguing trends, with certain highly cited articles showing a significant increase in citation frequency in recent years. A model with 45 topics was deemed the best fit for characterizing the extensively researched fields within IIRs/IITs. Our analysis revealed 10 top topics that have garnered significant attention, spanning domains such as community health, cancer treatment, brain development and disease mechanisms, nursing research, and stem cell therapy. These top topics offer researchers valuable directions for further investigation and innovation. Additionally, we identified 12 hot topics, which represent the most cutting-edge and highly regarded research areas within the field. CONCLUSION: This study contributes to a comprehensive understanding of the current research landscape and provides valuable insights for researchers working in this domain.
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 | 0,050 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,030 | 0,036 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».