Global Mapping and Visualization of Substance Use Disorders and Treatment: Implications for Priority Setting
Notice bibliographique
Résumé
Background: Understanding the global landscape of substance use disorders (SUD) and treatment is crucial for guiding future work. This bibliometric study provides a comprehensive analysis of research published between 1902 and 2025. Materials and Methods: We systematically searched the Web of Science Core Collection (SCI-Expanded) for relevant publications within the specified timeframe. Bibliometric network analyses and quantitative analysis (keyword/country co-occurrence, trends, impact, contribution) utilized R. Data included publications, topics, institutions, countries, journals, and keywords. Results: century, the growth trend accelerated, reaching 1039 publications in 2017. Key research themes identified included "Cigarette-Smoking," "Smoker," "Alcohol," "Smoking-Cessation," and "Behavioral therapy." The United States, the United Kingdom, Canada, Australia, and China were the most productive countries. The University of California, Harvard University, University of Toronto, U.S. Department of Veterans Affairs, and Veterans Health Administration (VHA) have recorded the highest scientific outputs. Alcoholism: Clinical and Experimental Research, Journal of Substance Abuse Treatment, Drug and Alcohol Dependence, Nicotine and Tobacco Research, and Addiction published the most articles. Conclusion: This study offers an objective overview of the global SUD and treatment research landscape (1902-2025). Our findings map publication trends, influential institutes, countries, journals, and key research themes. This provides a valuable reference for researchers, institutions, and journals to understand the current state and pinpoint areas for future investigation in this dynamic field.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».