Bibliometric Analysis of the Evolution and Distribution of Research on Analytical Methods for Climate-Sensitive Infectious Diseases in Latin America and the Caribbean
Notice bibliographique
Résumé
Climate-Sensitive Infectious Diseases (CSIDs) are diseases whose prevalence and transmission are heavily influenced by climatic factors, posing a significant challenge to public health, particularly in vulnerable regions such as Latin America and the Caribbean (LAC). This study employs a bibliometric analysis to evaluate the evolution and distribution of research on CSID and the analytical methods employed in the field. Using bibliometric and text-mining techniques, the analysis examines publication trends, research hotspots, and methodological developments from 2015 to 2024. The results highlight a regional concentration of research, with Brazil leading in CSID studies, particularly on arboviruses such as dengue, Zika, and chikungunya. The analysis also reveals the predominance of regression models, time-series analysis, and spatial analysis as primary methods used to forecast and analyze disease outbreaks. However, advanced techniques such as neural networks and niche modeling are gaining traction, indicating a shift towards more data-intensive approaches. The findings underscore the importance of enhancing forecasting capabilities and integrating analytical models into public-health systems to anticipate the impact of climate change on disease patterns. This study offers critical insights into methodological trends and identifies gaps for future research, contributing to more effective decision making in public health across Latin America and the Caribbean.
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 | 0,019 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,159 | 0,220 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».