Mass-gathering Health Research Foundational Theory: Part 1 - Population Models for Mass Gatherings
Notice bibliographique
Résumé
BACKGROUND: The science underpinning the study of mass-gathering health (MGH) is developing rapidly. Current knowledge fails to adequately inform the understanding of the science of mass gatherings (MGs) because of the lack of theory development and adequate conceptual analysis. Defining populations of interest in the context of MGs is required to permit meaningful comparison and meta-analysis between events. Process A critique of existing definitions and descriptions of MGs was undertaken. Analyzing gaps in current knowledge, the authors sought to delineate the populations affected by MGs, employing a consensus approach to formulating a population model. The proposed conceptual model evolved through face-to-face group meetings, structured break out sessions, asynchronous collaboration, and virtual international meetings. Findings and Interpretation Reporting on the incidence of health conditions at specific MGs, and comparing those rates between and across events, requires a common understanding of the denominators, or the total populations in question. There are many, nested populations to consider within a MG, such as the population of patients, the population of medical services providers, the population of attendees/audience/participants, the crew, contractors, staff, and volunteers, as well as the population of the host community affected by, but not necessarily attending, the event. A pictorial representation of a basic population model was generated, followed by a more complex representation, capturing a global-health perspective, as well as academically- and operationally-relevant divisions in MG populations. CONCLUSIONS: Consistent definitions of MG populations will support more rigorous data collection. This, in turn, will support meta-analysis and pooling of data sources internationally, creating a foundation for risk assessment as well as illness and injury prediction modeling. Ultimately, more rigorous data collection will support methodology for evaluating health promotion, harm reduction, and clinical-response interventions at MGs. Delineating MG populations progresses the current body of knowledge of MGs and informs the understanding of the full scope of their health effects.
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 | 0,038 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».