Research Output, Key Topics, and Trends in Productivity, Visibility, and Collaboration in Social Sciences Research on COVID-19: A Scientometric Analysis and Visualization
Notice bibliographique
Résumé
COVID-19 has caused a surge in scientific publications, with increased collaboration. This study aims to elucidate scientific output, focal topics, emerging themes, and trends and patterns of productivity, visibility, and collaboration within social sciences research (SSR) on COVID-19. A scientometric analysis was conducted utilizing Biblioshiny and VOSviewer software. About 65,742 records published on WOS between 2020 and 2022 were analyzed. Topics such as “telehealth,”“well-being,” and “inequalities,” were among the key topics while “interventions” and “mental well-being” were among emerging key topics. Collaboration patterns were regional. Harvard Medical School, the University of Toronto, and the University of Oxford emerge as leaders in collaboration, productivity, and influence. The USA, Italy, India, Spain, and Brazil serve as regional hubs for facilitating collaboration. The USA, England, and China exhibit leadership and influence, playing pivotal roles In shaping the global research. These findings are important for policymakers, funding agencies, and researchers in cultivating future research topics and collaborative efforts. The findings can inform strategic decision-making, resource allocation, and policy development to address present and future health crises. Additionally, these efforts contribute to advancing global sustainability initiatives and promoting human well-being. Encouraging international collaboration is essential, particularly for tackling the regional challenges encountered by countries with limited domestic research capabilities. Future research can improve the methodology used by di-versifying data sources beyond WOS.
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 | 0,183 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,317 | 0,713 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,019 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».