MétaCan
Menu
Retour à la cohorte
Enregistrement W2039298112 · doi:10.1136/injuryprev-2012-040580j.1

LESSON LEARNT IN INJURY CONTROL: AFTER 30 YEARS WHAT WOULD I DO DIFFERENTLY?

2012· article· en· W2039298112 sur OpenAlexaff
LH Francescutti

Notice bibliographique

RevueInjury Prevention · 2012
Typearticle
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCausationHealth careSocial determinants of healthPsychologyPublic relationsSociologySocial psychologyEconomic growthPolitical scienceEconomicsLaw

Résumé

récupéré en direct d'OpenAlex

Our current view of injury prevention is shallow, narrow and unfocused. We may need to re-examine our approach to injury control to include a more holistic approach that is essentially based on the social determinants of health. Injuries do not happen in isolation. Like the layers of an onion, it is a combination of interplay between various pathophysiologic pathways; constitutional factors; individual risk factors and choices; social relationships; living conditions; neighbourhoods and communities; institutions and finally social and economic policies that contribute to injury causation. From the moment we are conceived and especially up to the age of 18 months our nurturing impacts us for the rest of our lives. We have a choice to invest the time and resources when the infant's brain is most malleable or by default continue to spend too late and at a greater cost in social services, welfare, judicial systems and health care expenditures. Without a doubt, our chances of achieving greater health are directly linked to the strengthening of the social determinants of health: genetics, gender, housing, education (literacy), income and social status, personal health practices, resilience, nutrition, employment conditions, physical environment, culture, child development, spirituality and strong social support networks. Our inability to acknowledge the importance of ‘love’ and ‘happiness’ in our lives makes the required new thinking of injuries difficult for the majority of injury prevention leaders. The current desire for instant versus delayed gratification in our society directly leads to the need for an expensive, ineffective health care system. The very actions that give usinstant gratification also give rise to disease and injury.Fatty foodsgive rise to obesity, diabetes, heart disease, and injury.Drug usegives rise to overdoses, addictions, mental illness, crime and injuries.Alcohol usegives rise to cirrhosis, mental illness, violence, injuries and crime.Inactivitygives rise to obesity, poor health, and disability.Salt usegives rise to hypertension and cardiovascular problems.Sexgives rise to sexually transmitted diseases, unwanted pregnancies, fetal alcohol syndrome and sexual assaults.Smokinggives rise to cancer, chronic obstructive pulmonary disease, bronchitis and injuries. It is estimated that 50% of all deaths in developed countries are preventable. That for those under the age of 44, injury is the leading cause of death. For those under the age of 34 motor vehicle related injuries are the leading cause of death. And finally, injuries kill more 1–19-year-olds than all other diseases combined. Let us broaden our approach to injury prevention by boldly linking our discussions to include ‘love’, ‘happiness’, ‘instant versus delayed gratification’ and the ‘social determinants of health’ as we search for solutions to this seemingly elusive problem—injuries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,037
Version: metacan-v3-hybrid-931329e0061cStatut 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: Commentaire · Signal consensuel: Commentaire
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,037
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,009
Communication savante0,0090,019
Science ouverte0,0050,007
Intégrité de la recherche0,0160,039
Charge utile insuffisante (le modèle a refusé de juger)0,0190,011

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 Opus0,021
Tête enseignante GPT0,340
Écart entre enseignants0,320 · 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 source (Gemma direct ou Codex distillé), 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
GenreCommentaire

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

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInjury PreventionMême sujetInjury Epidemiology and PreventionTravaux en français237 207