Mortality at Music Festivals: Academic and Grey Literature for Case Finding
Notice bibliographique
Résumé
OBJECTIVE: Deaths at music festivals are not infrequently reported in the media; however, the true mortality burden is difficult to determine as the deaths are not yet systematically documented in the academic literature. METHODS: This was a literature search for case examples using academic and gray literature sources, employing both retrospective and prospective searches of media sources from 1999-2014. RESULTS: The gray literature documents a total of 722 deaths, including traumatic (594/722; 82%) and non-traumatic (128/722; 18%) causes. Fatalities were caused by trampling (n=479), motor-vehicle-related (n=39), structural collapses (n=28), acts of terror (n=26), drowning (n=8), assaults (n=6), falls (n=5), hanging (n=2), and thermal injury (n=2). Non-traumatic deaths included overdoses (n=96/722; 13%), environmental causes (n=8/722; 1%), natural causes (n=10/722; 1%), and unknown/not reported (n=14/722; 2%). The majority of non-trauma-related deaths were related to overdose (75%). The academic literature documents trauma-related deaths (n=368) and overdose-related deaths (n=12). One hundred percent of the trauma-related deaths reported in the academic literature also were reported in the gray literature (n=368). Mortality rates cannot be reported as the total attendance at events is not known. CONCLUSIONS: The methodology presented in this manuscript confirms that deaths occur not uncommonly at music festivals, and it represents a starting point in the documentation and surveillance of mortality. Turris SA , Lund A . Mortality at music festivals: academic and grey literature for case finding. Prehosp Disaster Med. 2017;32(1):58-63.
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».