The future of skin aging studies: An analysis of global trends
Notice bibliographique
Résumé
This study presents a bibliometric analysis of global trends in skin aging research, identifying key contributors, dominant themes, and research gaps. A bibliometric analysis was conducted on skin aging research published between 1990 and 2024. Using the Web of Science database, 579 studies were identified with keywords such as "skin aging," "aging mechanisms," and "skin physiology." After screening, 567 articles were analyzed. Text mining and data visualization techniques were applied using VOSviewer to enhance accuracy and interpretability. The analysis included 567 articles with 25,312 citations, averaging 45 citations per article, and an H-index of 83. The number of publications and citations has steadily increased since 2001, with 70% of studies originating from the United States, Canada, and the United Kingdom. Physiology was the leading research category (55%), followed by dermatology, cell biology, and sports science. Additionally, 94% of articles were indexed in SCI-Expanded, indicating strong representation in health sciences. Keyword analysis identified interconnected research clusters, with skin physiology, aging, and skin blood flow as dominant themes. Skin aging research is multidisciplinary, incorporating advanced methodologies such as machine learning and high-throughput omics. Despite significant progress, research gaps persist, particularly in understanding the role of systemic inflammation and disparities in global research output. This study underscores the growing interest in skin aging research, highlighting key trends, challenges, and the need for interdisciplinary collaboration and technological advancements to further explore its systemic implications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».