Landmarks in facial reanimation – a bibliometric analysis of the 50 most cited papers in dynamic facial reconstruction
Notice bibliographique
Résumé
BACKGROUND: Advances in the field of facial reanimation surgery have resulted in an increase in the quantity of published research in the international literature. The aim of this work is to provide the reader a synthesized view of the most influential themes, articles and authors in this field. MATERIAL AND METHODS: We searched the Clarivate Analytics Web of Science Citation Index to identify the 50 most cited papers in dynamic facial reanimation in the past 70 years. Data regarding article title, authors, year of publication, total citations and citation index was obtained. Results are presented using descriptive statistics. RESULTS: The most cited articles were distributed in 16 journals. Plastic and Reconstructive Surgery had the highest number of highly cited works with 27 articles, followed by JPRAS (5 papers) and the Journal of Neurosurgery (4 papers). The United States contributed most (17 papers), followed by Canada and Japan (6 each). Dr. Julia K. Terzis was the most cited author (7 works). Case series and comparative studies were the most prevalent type of article published (96%) from 1953 to 2015. The most cited paper focused on free functional muscle transfer (FFMT). Most articles were level IV research, with a mean citation index of 5.27 ± 2.85. CONCLUSION: This collection offers a clear overview of the key milestones and advancements in the field. We expect it serves as a practical resource for clinicians and researchers striving to advance the science and practice of facial reanimation surgery.
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 | 0,009 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,192 | 0,165 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».