Scientometric analysis of telerehabilitation services for cerebral palsy patients: A comprehensive review and research trends mapping
Notice bibliographique
Résumé
BACKGROUND: Telerehabilitation is used for delivering rehabilitation interventions, assessments, and education remotely by communication technology. The current study aimed to conduct a bibliometric analysis to discover research trends and knowledge mapping of telerehabilitation in patients with cerebral palsy. MATERIALS AND METHODS: This descriptive-analytical study was conducted using a bibliometric analysis. The Web of Science was searched and 1,222 records were retrieved from the beginning to January 2024. The usual bibliometric rules were applied using the VOSviewer software for data processing. Also, this study used the LDA algorithm for topic modeling with Python. RESULTS: The findings indicate that the trend of research in the telerehabilitation of patients with cerebral palsy is continuously increasing. Universities and institutions with high publication volumes are mainly institutions from the United States and Canada. The results demonstrates that the co-authorship network of researchers has an average density. Co-occurrence analysis primarily focuses on subjects such as rehabilitation, children, robots, virtual reality for walking and mobility. This research represents the latest evidence-based insights aimed at not only organizing existing knowledge but also assisting researchers and policymakers in achieving a better understanding of telerehabilitation interventions for cerebral palsy patients. CONCLUSION: According to the findings of this research, both the speed of evolution and diversity in telerehabilitation interventions and the amount of access and utilization of these interventions by cerebral palsy patients is high.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,008 | 0,007 |
| 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 ».