Mapping the Research Landscape: A Comprehensive Bibliometric Review of Global Warming and Human Health
Notice bibliographique
Résumé
ABSTRACT Human health is increasingly threatened by global warming, necessitating a thorough understanding of research progress in this critical area to inform future studies. The data were analysed using Microsoft Excel 2021, and visualisations were created with GraphPad, VOSviewer and R‐Studio (Bibliometrix). These tools were used to generate graphs and network visualisations illustrating author and country collaborations, journal article distributions, hotspot clustering and future trend predictions. Our analysis revealed a substantial increase in publications in recent years, with intensified research and collaboration observed across Asia, Europe, North America and Oceania, particularly in the United States. Various high‐impact journals have made meaningful contributions to raising awareness in this field, emphasises the multifaceted impacts of global warming on public health and societal activities, while also exploring adaptive measures being implemented in response to these changes. As the world continues to grapple with the global pandemic, further research is likely to spotlight related issues, with heightened interest anticipated. The evidence of global warming's impact on human health is becoming increasingly evident, underscoring the need for global cooperation to mitigate its effects and promote public health. This study provides a foundation for researchers and policymakers, highlighting the significance of addressing global warming's implications for human well‐being. By fostering international collaboration, we can collectively strive toward sustainable strategies to combat global warming and safeguard public 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 | 0,036 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,182 | 0,225 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».