Digital health and mobile health: a bibliometric analysis of the 100 most cited papers and their contributing authors
Notice bibliographique
Résumé
Aim: This study aimed to identify and analyze the top 100 most cited digital health and mobile health (m-health) publications. It could aid researchers in the identification of promising new research avenues, additionally supporting the establishment of international scientific collaboration between interdisciplinary research groups with demonstrated achievements in the area of interest. Methods: On 30th August, 2023, the Web of Science Core Collection (WOSCC) electronic database was queried to identify the top 100 most cited digital health papers with a comprehensive search string. From the initial search, 106 papers were identified. After screening for relevance, six papers were excluded, resulting in the final list of the top 100 papers. The basic bibliographic data was directly extracted from WOSCC using its “Analyze” and “Create Citation Report” functions. The complete records of the top 100 papers were downloaded and imported into a bibliometric software called VOSviewer (version 1.6.19) to generate an author keyword map and author collaboration map. Results: The top 100 papers on digital health received a total of 49,653 citations. Over half of them (n = 55) were published during 2013–2017. Among these 100 papers, 59 were original articles, 36 were reviews, 4 were editorial materials, and 1 was a proceeding paper. All papers were written in English. The University of London and the University of California system were the most represented affiliations. The USA and the UK were the most represented countries. The Journal of Medical Internet Research was the most represented journal. Several diseases and health conditions were identified as a focus of these works, including anxiety, depression, diabetes mellitus, cardiovascular diseases, and coronavirus disease 2019 (COVID-19). Conclusions: The findings underscore key areas of focus in the field and prominent contributors, providing a roadmap for future research in digital and m-health.
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 | 0,017 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,186 | 0,188 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».