The use of knowledge translation and legal proceedings to support evidence-based drug policy in Canada : opportunities and ongoing challenges
Notice bibliographique
Résumé
There is growing recognition, particularly in the areas of illicit drug policy and HIV prevention, that policy-makers are in many instances implementing suboptimal programs and services because they are not basing their decisions on the best available scientific evidence. One notable example where a policy-making body has failed to use scientific evidence to inform policy is the Canadian federal government's opposition to Vancouver's supervised injection facility despite a large body of scientific evidence indicating that the program is associated with a range of health and social benefits. Two of the key strategies that have been used to try to shift drug policy toward an evidence-based approach and maintain the operation of this evidence-based health facility are knowledge translation and legal actions. We provide an overview of these two strategies and hope it will offer lessons for the implementation of evidence-based approaches in other controversial areas of public policy.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,338 | 0,481 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,022 | 0,022 |
| Études des sciences et des technologies | 0,030 | 0,054 |
| Communication savante | 0,045 | 0,026 |
| Science ouverte | 0,019 | 0,030 |
| Intégrité de la recherche | 0,019 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».