Analysis of Co-authorship Patterns in Global e-Health Literacy Research
Notice bibliographique
Résumé
Rationale of the Study - This study investigated the co-authorship patterns in global research on e-health literacy, focusing on authors, countries, and organisations to reflect the participation of African researchers and their institutions in collaborative research on e-health literacy. Methodology - The study period covered 2006 to 2024 and was based on publications retrieved from Scopus. VOSviewer was used to identify and map co-authored documents, revealing valuable insights into authorship. Findings - Between 2006 and 2024, a total of 7,887 authors wrote 2,027 documents on the subject, resulting in an average of 415 authorships per year. Leading countries in co-authorship include the US, Germany, Australia, and Canada. There were only 12 connected organisations, indicating room for growth in inter-institutional research partnerships. The University of Education, Winneba, Ghana, was the only African institution to have published four documents and established four collaborative links. Implications - Expanding institutional partnerships, particularly with countries that have high research volumes, such as China, could help address the disparity between research quantity and citation impact. Promoting structured collaborations can facilitate resource sharing, diversify perspectives, and improve the overall quality and influence of research, driving innovation and advancing the field globally. Originality - Many studies in this field focused on quantitative research, but this study deploys bibliometrics to reveal important insights. A unique finding of the study is a comparatively high volume of Chinese research. Conversely, previous studies have shown that China has a low research impact, highlighting disparities in global research influence.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».