A 25-year retrospective of Canadian plastic surgery research and its influence: a bibliometric study
Notice bibliographique
Résumé
BACKGROUND: Bibliometric analysis is a research tool for evaluating and analyzing scholarly output and impact within a specific domain. This study aimed to assess the quantity and quality of plastic surgery research conducted by Canadian-affiliated authors from 1999 to 2023. METHODS: We conducted a comprehensive bibliometric analysis using the Web of Science Core Collection to retrieve data from 60 leading plastic surgery journals, focusing on original articles and reviews published between 1999 and 2023. The InCites Benchmarking & Analytics platform evaluated the publications' quantity and quality. Quality assessment employed 2 key metrics:: category-normalized citation impact (CNCI) and the percentage of publications in the top quartile of journals (%Q1) based on impact factors. We used VOSviewer to map collaborative relationships among universities over various periods. RESULTS: Canada ranked as the 11th leading contributor globally, with 4446 publications. Nationally, the University of Toronto accounted for more than 30% of Canadian contributions. In terms of quality, Canada led with a CNCI of 1.09 and 21% of publications in the %Q1. Within Canada, McMaster University had the highest CNCI at 1.33, while Dalhousie University ranked highest in %Q1 at 32.3%. Our VOSviewer map of institutional collaborations revealed increased cooperation between Canadian universities and international institutions over the last 25 years. CONCLUSION: Over the last 25 years, the trajectory of Canadian plastic surgery literature has been characterized by continuous expansion while maintaining high quality. Efforts should be made to continue to increase the quality and quantity of Canadian research while sustaining international collaborations.
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 | 0,031 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,252 | 0,164 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».