Evaluation of New Zealand's Radiology, Nuclear Medicine, and Medical Imaging Research Output: A Bibliometric‐Based Approach
Notice bibliographique
Résumé
INTRODUCTION: The use of medical imaging services has increased globally with a concurrent increase in radiology, nuclear medicine and medical imaging (RNMI) research. However, New Zealand's RNMI research output relative to global trends is under-examined. This project evaluates New Zealand's RNMI research output between 1996 and 2022 compared to selected countries while highlighting global RNMI research output trends. METHODS: A bibliometric-based performance analysis was conducted using publication data from the SCImago Journal, the Country Rank portal, Clarivate InCites Benchmarking, and the Analytics platform. Registration data of RNMI professionals by country was collected to evaluate the relationship between research output and the number of registered professionals. RESULTS: Among the seven selected countries (the United States, United Kingdom, Canada, Australia, Ireland, New Zealand and South Africa), New Zealand's research output was low, even when adjusted for population size and the number of professionals. A significant positive correlation was found between the number of registered RNMI professionals and the number of RNMI publications. Despite this, New Zealand had the highest percentage of RNMI documents cited. CONCLUSION: Although New Zealand's RNMI publications follow the global upward trend, it does so at a proportionate loss. New Zealand ranked low in most bibliometric indicators apart from the percentage of documents cited, where it showed a notable citation impact. Emphasising research, increasing collaborative efforts, and undertaking further statistical analyses may enhance New Zealand's RNMI research output.
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 | 0,065 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,013 | 0,013 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».