Notice bibliographique
Résumé
Physicians throughout the world bear witness to the terrible consequences of small arms. But do we truly understand the impact and the epidemiology of the small arms pandemic, and can we devise effective strategies for prevention as we have for other major public health issues? The capacity for collecting consistent, reliable, and relevant data is limited by various cultural, economic, infrastructural, and logistic factors even in developed countries not at war. Nevertheless, we have some solid data on the size of the problem and indicators suggestive of possible solutions. The United States, for instance, has over 28 000 deaths a year from small arms—accidents, suicides, and homicides—the highest rate in the developed world.1 In that country firearms are the leading cause of death among 15-24 year olds, slightly ahead of vehicle crashes, and the third leading cause of death in those aged under 15.2 While the US murder rate without guns is roughly equivalent to that of Canada (1.3 times), its murder rate with handguns is 15 times the Canadian rate.3 Countries with similar cultural, economic, and ethnic make up but with different gun possession rates also have widely differing firearm death rates, roughly correlating with the percentage of households with guns.4 For example, …
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 | 0,013 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,030 | 0,040 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,006 |
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 ».