The KRESCENT Program: An initiative to match supply and demand for kidney research in Canada
Notice bibliographique
Résumé
BACKGROUND: The prevalence of kidney disease is rising in Canada, and new approaches to prevention, diagnosis, and treatment are required. A kidney research training strategy, which enhances capacity while fostering collaboration and knowledge translation, may help to address this health care problem. PURPOSE: This manuscript describes the Kidney Research Scientist Core Education and National Training (KRESCENT) Program that was launched in 2004 with a major goal to enhance kidney research capacity in Canada. FEATURES: KRESCENT is an innovative training program, which recruits from a variety of research disciplines, and emphasizes multi-disciplinary research approaches, team-based collaboration and knowledge translation. The program provides salary support for post-doctoral fellows, new investigators and allied health doctoral trainees, and also offers core curriculum and mentorship support. The curriculum involves knowledge acquisition, application and integration and uses workshops and web-based problem modules to enhance research skills. Training in methodological approaches and career development is also included. Initial evaluation of KRESCENT suggests that kidney research capacity in Canada has increased, and trainees have a high success rate in obtaining academic positions (~88%) and peer-review grant support (~50%). SUMMARY: KRESCENT represents a novel collaborative approach to kidney research training in Canada that may serve as a suitable model for training in other countries, or in other medical disciplines.
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».