MétaCan
Menu
Retour à la cohorte
Enregistrement W2122603524 · doi:10.2105/ajph.2013.301297

Creating a Transdisciplinary Research Center to Reduce Cardiovascular Health Disparities in Baltimore, Maryland: Lessons Learned

2013· article· en· W2122603524 sur OpenAlexaff
Lisa A. Cooper, L. Ebony Boulware, Edgar R. Miller, Sherita Hill Golden, Kathryn A. Carson, Gary Noronha, Mary Margaret Huizinga, Debra Roter, Hsin‐Chieh Yeh, Lee Bone, David M. Levine, Felicia Hill‐Briggs, Jeanne Charleston, Miyong T. Kim, Nae‐Yuh Wang, Hanan Aboumatar, Jennifer P. Halbert, Patti L. Ephraim, Frederick L. Brancati

Notice bibliographique

RevueAmerican Journal of Public Health · 2013
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensGolder Associates (Canada)
Organismes subventionnairesNational Institute on Minority Health and Health DisparitiesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Heart, Lung, and Blood InstituteJohns Hopkins University
Mots-clésCenter (category theory)GerontologyHealth equityMedicinePublic healthEnvironmental healthNursing

Résumé

récupéré en direct d'OpenAlex

Cardiovascular disease (CVD) disparities continue to have a negative impact on African Americans in the United States, largely because of uncontrolled hypertension. Despite the availability of evidence-based interventions, their use has not been translated into clinical and public health practice. The Johns Hopkins Center to Eliminate Cardiovascular Health Disparities is a new transdisciplinary research program with a stated goal to lower the impact of CVD disparities on vulnerable populations in Baltimore, Maryland. By targeting multiple levels of influence on the core problem of disparities in Baltimore, the center leverages academic, community, and national partnerships and a novel structure to support 3 research studies and to train the next generation of CVD researchers. We also share the early lessons learned in the center's design.

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)0,048
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,568
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0480,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
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 Opus0,704
Tête enseignante GPT0,676
Écart entre enseignants0,028 · 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.

Devis d'étudeAutre devis
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

Citations23
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of Public HealthMême sujetHealth Policy Implementation ScienceTravaux en français237 207