Using Participant Event Monitoring in a Cohort Study of Unintentional Injuries Among Children and Adolescents
Notice bibliographique
Résumé
OBJECTIVES: We conducted a 3-year cohort study of 407 youths aged 9 to 18 years to develop multivariable risk prediction models of agriculture-related injuries. METHODS: Data were obtained via participant event monitoring, with youths self-reporting injuries and exposures in daily diaries over a 13-week period. We evaluated data quality by comparing injury self-reports with other injury data. RESULTS: Semilogarithmic plots of rates of all unintentional injuries combined (US data from 2000) as well as of agriculture-related injuries (US and Canadian data from 19 previous studies) graphed as a function of injury severity exhibited linearity, as did plots based on the present results. Severity-specific unintentional injury rates were 1.4- to 4.3-times higher than national rates, suggesting that our methodology can significantly reduce injury underreporting. In addition, at each severity level, estimated agriculture-related injury rates were 5.8- to 9.3-times higher than rates from previous national, regional, and state-based studies. CONCLUSIONS: Our approach to participant event monitoring can be implemented with youths aged 9 to 18 years and will yield reliable daily data on unintentional 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 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 ».