How “global” is research in early intervention for psychosis? A bibliometric analysis
Notice bibliographique
Résumé
INTRODUCTION: Unlike high-income countries (HICs), there are few early intervention services for psychosis in low-and middle-income countries (LAMICs). In HICs, research spurred the growth of such services. Little is known about the state of EIP research in LAMICs, which we address by examining their research output and collaborations vis-à-vis that of HICs. METHODS: We conducted a search in Scopus database for early psychosis publications in scientific journals since 1980. Data from each record, including title, author affiliation, and date, were downloaded. For HIC-LAMIC collaborations, data on first, corresponding and last authors' affiliations, and funding were manually extracted. Descriptive statistics and social network analysis were conducted. RESULTS: Globally, early psychosis publications increased from 24 in 1980 to 1297 in 2022. Of 16,942 included publications, 16.1 % had LAMIC authors. 71.3 % involved authors from a single country (regardless of income level). 21.9 % were collaborations between HICs, 6.6 % between HICs and LAMICs, and 0.2 % among LAMICs. For research conducted in LAMICs and involving HIC-LAMIC collaborations, the first, last, and corresponding authors were LAMIC-based in 71.8 %, 60.7 %, and 63.0 %, respectively. These positions were dominated (80 %) by authors from four LAMICs. 29.4 % of the HIC-LAMIC subset was funded solely by LAMIC funders, predominantly two LAMICs. CONCLUSIONS: LAMICs are starkly underrepresented in the otherwise flourishing body of early psychosis research. They have far fewer collaborations and less funding than HICs. Closing these gaps in LAMICs where most of the world's youth live is imperative to generate the local knowledge needed to strengthen early psychosis services that are known to improve outcomes.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,068 | 0,115 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».