Challenges to conducting epidemiology research in chronic conflict areas: examples from PURE- Palestine
Notice bibliographique
Résumé
Little has been written on the challenges of conducting research in regions or countries with chronic conflict and strife. In this paper we share our experiences in conducting a population based study of chronic diseases in the occupied Palestinian territory and describe the challenges faced, some of which were unique to a conflict zone area, while others were common to low- and middle- income countries. After a short description of the situation in the occupied Palestinian territory at the time of data collection, and a brief overview of the design of the study, the challenges encountered in working within a fragmented health care system are discussed. These challenges include difficulties in planning for data collection in a fragmented healthcare system, standardizing data collection when resources are limited, working in communities with access restricted by the military, and considerations related to the study setting. Ways of overcoming these challenges are discussed. Conducting epidemiological research can be very difficult in some parts of our turbulent world, but data collected from such regions may contrast with those solely from politically and economically more stable regions. Therefore, special efforts to collect epidemiologic data from regions engulfed by strife, while challenging are essential.
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 | 0,202 | 0,226 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,013 | 0,015 |
| Communication savante | 0,014 | 0,010 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».