COVID-19 research output in 2020: The Global Perspective using Scientometric Study
Notice bibliographique
Résumé
This study presents the global level perspective of COVID-19 research output from January to April 2020, and these analyses include global publication share, patterns of research communication channels, the most productive Sources, Authors and Institutions. Data were extracted from the Web of Science citation database using the search string of “Coronavirus” OR “COVID-19” and limited to 2020, a total of 1658 publications were retrieved, which have received 4804 citations and the overall H-index is 29. On the basis of literature analysis around the world, it is found that the 1658 publications came from 78 Countries. As expected China is the most productive country with 523 papers (31.5%) and received 3521 Citations followed the USA with 315 and recorded 912 Citations, the UK with 142 and recorded 351 Citations, Italy with 116 and recorded 154 Citations, Germany 66 and recorded 188 Citations and Canada 58 and recorded 139 Citations, India ranked 10th position among the countries in the year of 2020. There were 2027 institutes involved in the research in COVID-19. Huazhong University, Science & Technology Wuhan-China, recorded highest publications of 46 (583 Citations) and 12 Institutes from China with top 12 randed and covered one-third of Publications out of 1658. BMJ-BRITISH MEDICAL JOURNAL in the first journal with the highest number of publications with 181 and Impact Factor value is 27.60 followed by LANCET 86 and Impact Factor value is 59.10. The most top impact factor journal is NEW ENGLAND JOURNAL OF MEDICINE 70.67.
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 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 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 ».