MétaCan
Menu
Retour à la cohorte
Enregistrement W4395688247 · doi:10.14434/hindsight.v54i2.37209

The History of Optometry Journals from a Bibliometric Perspective

2024· article· en· W4395688247 sur OpenAlexaff
Jason J. Nichols, Philip B. Morgan, Lyndon Jones, Nathan Efron

Notice bibliographique

RevueHindsight · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueOphthalmology and Visual Health Research
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésIndex (typography)PublishingLibrary sciencePerspective (graphical)OptometryMedicinePolitical scienceLawArtComputer scienceVisual arts

Résumé

récupéré en direct d'OpenAlex

The rich history of optometric journal publications has been well documented, but the scientific impact of all optometry journals over all time has not been published. This work aims to determine the most impactful papers, authors, institutions and countries publishing in optometry journals. A h-index for “optometry journal publications” (the “hOJP-index”) was derived for each constituent of each category to serve as a measure of impact. The hOJP-index for the 34,565 papers published in all optometry journals is 136; these papers have been cited 294,239 times. Optometry and Vision Science is the most impactful and prolific journal (hOJP=118; n=13,095 papers). The most highly cited paper, by Richard Armstrong, is entitled “When to use the Bonferroni correction” (1,172 citations). Australian optometrist Nathan Efron is the most impactful and prolific author (hOJP=41; n=273). UNSW Sydney and the University of California, Berkeley are the most impactful institutions (both hOJP=58), and UNSW Sydney is the most prolific (n=963). The most impactful and prolific nation is the United States (hOJP=109; n=12,050). This quantitative bibliometric analysis demonstrates an impactful optometric research base enshrined in optometry journals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesBibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,047
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0810,172
Études des sciences et des technologies0,0020,002
Communication savante0,0100,008
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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.

Tête enseignante Opus0,186
Tête enseignante GPT0,558
Écart entre enseignants0,371 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHindsightMême sujetOphthalmology and Visual Health ResearchTravaux en français237 207