Integration of GVSU Biostatistics in the Mental Health Field
Notice bibliographique
Résumé
PURPOSE: Professional Science Master’s in Biostatistics program requires an internship as part of the program requirements. The proposed poster showcases the completed internship projects from Community Mental Health at Ottawa County (CMH). Throughout the internship, we were able to apply statistical methods learned in the curriculum on real world data. The internship was beneficial for interns to assist CMH in continuing their pursuit of better evidence based decision- making. CHALLENGE: The challenges that we encountered were learning how to use lay terms to explain statistical concepts and results, and retrieving data from a database (Crystal Report) with which we were not familiar. EXPERIENCE: Data sets related to mental health, such as performance indicators and costs of running mental health programs, were cleaned, analyzed, interpreted, reported, and presented to leadership and social workers at CMH. OUTCOME: We learned how to effectively deliver statistical terms in lay terms, write detailed statistical reports, and prepare executive summaries that impacted decision-making for the organization. We also had many opportunities to learn various methods of delivering results using Excel, enabling those who were not familiar with statistical techniques to make better use of the information. IMPACT: The internship at CMH provided us the opportunity to interact with people who are not familiar with statistics and apply everything we learned from the curriculum to real world data. The mentorship we received helped guide us to explore data creatively and efficiently, challenges that we will respond to in future application of our skills.
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 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».