MétaCan
Menu
Retour à la cohorte
Enregistrement W2002276180 · doi:10.1177/1559827615571898

Time for Lifestyle Medicine to Take Injury Prevention Seriously

2015· article· en· W2002276180 sur OpenAlexaff
Braden D. Teitge, Louis Hugo Francescutti

Notice bibliographique

RevueAmerican Journal of Lifestyle Medicine · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMedicineLifestyle medicinePreventive healthcareAlternative medicineGerontologyFamily medicinePhysical therapyNursingPublic healthPathology

Résumé

récupéré en direct d'OpenAlex

Over 2 decades ago, the United States National Academy of Sciences described injuries as "the most under-recognized major public health problem facing the nation." Our progress since then has been limited. Injuries still account for nearly 1 out of every 10 deaths in the world, and the global burden of injury is projected to increase over the next decade, predominately in low- and middle-income countries. Despite this, injury prevention receives scant attention from legislators, the education system, and, most strikingly, the health care system. The lifestyle medicine community, however, is beginning to focus on injury prevention and will play an increasing role in helping control the burden of injury. Lifestyle medicine practitioners are in a tremendous position to promote injury prevention. Physical activity and positive lifestyle changes can be accompanied with an increased focus on preventing injury. Lifestyle medicine can prevent injuries by supporting legislation, advancing medical advocacy, providing community education, and linking clinical care with injury prevention.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,188
Score d'incertitude au seuil0,938

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,367
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Lifestyle MedicineMême sujetInjury Epidemiology and PreventionTravaux en français237 207