Participación en salud em las Américas: mapeo bibliométrico de producción, impacto, isibilidade y colaboración
Bibliographic record
Abstract
Resumen La participación en salud ha generado una gran cantidad de publicaciones alrededor del mundo. Para conocer las especificidades de esta producción en las Américas, se realizó un análisis bibliométrico de artículos en inglés, español y portugués. Se realizaron búsquedas en la BVS, Pubmed, SCOPUS, WOS y SciELO, consolidando una base de datos con 641 referencias. Con la ayuda del software VOSviewer, analizamos los patrones de citación, la coautoría y la distribución cronológica por países e idiomas. Se pudo verificar el crecimiento de la producción, la relevancia cuantitativa y el impacto de los diferentes países. El análisis indicó que EE.UU. concentra el mayor número de citas y Brasil, a pesar de ser el primero en número de publicaciones, es el tercero en número de citas. En los diez artículos más citados se descartan trabajos desarrollados en EE.UU. y Canadá. El análisis de coautoría indicó que la Universidad de Toronto, Fiocruz y la Universidad de Harvard tienen las colaboraciones más formales con otras organizaciones. Concluimos que existen desigualdades de impacto, visibilidad e internacionalización en este campo, indicando obstáculos para el desarrollo científico y las políticas de salud.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.062 | 0.168 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".