Designing a post-genomics knowledge ecosystem to translate pharmacogenomics into public health action
Notice bibliographique
Résumé
Translation of pharmacogenomics to public health action is at the epicenter of the life sciences agenda. Post-genomics knowledge is simultaneously co-produced at multiple scales and locales by scientists, crowd-sourcing and biological citizens. The latter are entrepreneurial citizens who are autonomous, self-governing and increasingly conceptualizing themselves in biological terms, ostensibly taking responsibility for their own health, and engaging in patient advocacy and health activism. By studying these heterogeneous 'scientific cultures', we can locate innovative parameters of collective action to move pharmacogenomics to practice (personalized therapeutics). To this end, we reconceptualize knowledge-based innovation as a complex ecosystem comprising 'actors' and 'narrators'. For robust knowledge translation, we require a nested post-genomics technology governance system composed of first-order narrators (for example, social scientists, philosophers, bioethicists) situated at arm's length from innovation actors (for example, pharmacogenomics scientists). Yet, second-order narrators (for example, an independent and possibly crowd-funded think-tank of citizen scholars, marginalized groups and knowledge end-users) are crucial to prevent first-order narrators from gaining excessive power that can be misused in the course of steering innovations. To operate such 'self-calibrating' and nested innovation ecosystems, we introduce the concept of 'wiki-governance' to enable mutual and iterative learning among innovation actors and first- and second-order narrators. '[A] scientific expert is someone who knows more and more about less and less, until finally knowing (almost) everything about (almost) nothing.' [1] 'Ubuntu: I am because you are.' [2].
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».