Notice bibliographique
Résumé
Across a range of activities, gender often appears to be a significant predictor of attitudes and social behaviour. Male traits of risk-taking, competitiveness, reluctance to reveal feelings and abdication of primary care tasks to women show up in patterns of loss and reactions to bereavement. According to Field et al. (1997) men are more likely to die from cardiovascular illness, suicide, murder, accident and warfare. In 1999 in the UK, one in five males aged 16–24 was a victim of violence compared with one in ten females of the equivalent age. Men are three times more likely to die through taking their own lives than women. Men die younger than women. In 1997, nearly two out of every three people aged 75 and over in the UK were women. A quarter of all families are headed by a single parent, practically all of whom are women (Gibson, 2001). Women appear to be at greater risk from domestic violence, though, typically, figures reflecting the ‘true’ picture of the victimization of men by female partners are notoriously difficult to obtain. With all victimization, as with mental health problems, men are less likely than women to admit a problem, to seek help or to visit a doctor. Women’s lives are more open to surveillance by the medical profession. They are two and a half times more likely to be treated for depression than men (Gibson, 2001).
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 | 0,000 |
| 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) | 0,002 | 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 ».