International Consensus on Key Concepts and Data Definitions for Mass-gathering Health: Process and Progress
Notice bibliographique
Résumé
Mass gatherings (MGs) occur worldwide on any given day, yet mass-gathering health (MGH) is a relatively new field of scientific inquiry. As the science underpinning the study of MGH continues to develop, there will be increasing opportunities to improve health and safety of those attending events. The emerging body of MG literature demonstrates considerable variation in the collection and reporting of data. This complicates comparison across settings and limits the value and utility of these reported data. Standardization of data points and/or reporting in relation to events would aid in creating a robust evidence base from which governments, researchers, clinicians, and event planners could benefit. Moving towards international consensus on any topic is a complex undertaking. This report describes a collaborative initiative to develop consensus on key concepts and data definitions for a MGH "Minimum Data Set." This report makes transparent the process undertaken, demonstrates a pragmatic way of managing international collaboration, and proposes a number of steps for progressing international consensus. The process included correspondence through a journal, face-to-face meetings at a conference, then a four-day working meeting; virtual meetings over a two-year period supported by online project management tools; consultation with an international group of MGH researchers via an online Delphi process; and a workshop delivered at the 19thWorld Congress on Disaster and Emergency Medicine held in Cape Town, South Africa in April 2015. This resulted in an agreement by workshop participants that there is a need for international consensus on key concepts and data definitions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».