The increasing authorship trend in neuroscience: A scientometric analysis across 11 countries
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
Previous studies have demonstrated an increasing trend of the number of authors across various fields over the years. This trend has been attributed to the necessity for larger collaborations and, at times, to ethical issues regarding authorship attribution. Our study focuses on the evolution of authorship trends in the field of Neuroscience. We conducted our analysis based on a dataset containing 580,782 neuroscience publications produced from 2000 to 2022, focusing on the publications within the Group of ten (G10) countries. Using a matrix-based methodology, we extracted and analyzed the average number of authors per country. Our findings reveal a consistent rise in authorship across all G10 countries over the past two decades. Italy emerged with the highest average number of authors, while France stood out for experiencing the most significant increase, particularly in the last decade. The countries with the lowest number of authors per publication were the USA, UK and Canada. Differences between countries could result from variations in the size of collaboration between researchers in different countries. Additionally, these differences may depend on utilitarian considerations aimed at receiving higher scores in the individual evaluation of their own work. We propose that a normalization procedure for the number of authors should be implemented to ensure a fair evaluation of researchers.
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 | 0,113 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,111 | 0,717 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,035 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| 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