Let’s not forget about injury
Notice bibliographique
Résumé
Injury is a deadly epidemic. It is both the leading cause of death for Canadian children, and the number one killer of Canadians <45 years of age (1). It is also costly – the SMARTRISK report from 2009 (based on 2004 data) outlined the annual economic burden of injury in Canada to be approximately $20 billion, higher than both heart disease ($18.5 billion) and cancer ($14.2 billion). Regardless, Canadians only contributed $6.6 million to injury organizations (eg, War Amps), while contributions to heart disease (eg, Heart and Stroke Foundation) and cancer (eg, Canadian Cancer Society) were $178 million and $203.5 million, respectively (2). Additionally, the release of the 2015 “Cost of Injury in Canada Report” stated there are now >15,000 deaths, 230,000 hospitalizations, 3,500,000 emergency department visits and 60,000 permanent disabilities occurring from this preventable disease every year. The economic cost of injury in Canada has increased by 35% since 2004 (3). A significant proportion of these injuries occur in the paediatric age group. The mortality statistics alone are equivalent to the loss of 13 classrooms of children every year, or a child dying every 9 h (3).
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 | 0,003 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,010 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,024 |
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 ».