MétaCan
Menu
Retour à la cohorte
Enregistrement W2164243596 · doi:10.1126/science.1115538

Health Innovation Networks to Help Developing Countries Address Neglected Diseases

2005· article· en· W2164243596 sur OpenAlexaff
Carlos Morel, Tara Acharya, Denis Broun, Ajit Dangi, Christopher Elias, Nirmal Kumar Ganguly, C. A. Gardner, Rajesh Gupta, Jane Haycock, A. D. Heher, Peter J. Hotez, Hannah Kettler, Gerald T. Keusch, A. Krattiger, Fernando Kreutz, Sanjaya Lall, Keun Lee, R. T. Mahoney, Adolfo Martínez‐Palomo, R. A. Mashelkar, Stephen A. Matlin, Mandi Mzimba, Joachim Oehler, Robert G. Ridley, Pramilla Senanayake, Peter Singer, Mikyung Yun

Notice bibliographique

RevueScience · 2005
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Health and Surgery
Établissements canadiensUniversity of Toronto
Organismes subventionnairesUniversity of California, Los AngelesKarolinska InstitutetUniversidade Federal de Minas GeraisMedical Research CouncilCentre National de la Recherche ScientifiqueWellcome TrustUniversity of Washington
Mots-clésDeveloping countryBusinessEconomic growthDeveloped countrySustainabilityPublic healthGlobal healthEquity (law)Development economicsPublic economicsHealth careEnvironmental healthPolitical scienceEconomicsMedicinePopulation

Résumé

récupéré en direct d'OpenAlex

Gross inequities in disease burden between developed and developing countries are now the subject of intense global attention. Public and private donors have marshaled resources and created organizational structures to accelerate the development of new health products and to procure and distribute drugs and vaccines for the poor. Despite these encouraging efforts directed primarily from and funded by industrialized countries, sufficiency and sustainability remain enormous challenges because of the sheer magnitude of the problem. Here we highlight a complementary and increasingly important means to improve health equity: the growing ability of some developing countries to undertake health innovation.

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)0,010
score de la tête « metaresearch » (Gemma)0,022
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,165

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,022
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,002
Communication savante0,0040,004
Science ouverte0,0010,009
Intégrité de la recherche0,0050,003
Charge utile insuffisante (le modèle a refusé de juger)0,0490,005

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 Opus0,025
Tête enseignante GPT0,348
Écart entre enseignants0,323 · 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'étudeThéorique ou conceptuel
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

Citations237
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScienceMême sujetGlobal Health and SurgeryTravaux en français237 207