Improving Data Quality in Mass-Gatherings Health Research
Notice bibliographique
Résumé
Mass gatherings attract large crowds and can strain the planning and health resources of the community, city, or nation hosting an event. Mass-Gatherings Health (MGH) is an evolving niche of prehospital care rooted in emergency medicine, emergency management, public health, and disaster medicine. To explore front-line issues related to data quality in the context of mass gatherings, the authors draw on five years of management experience with an online, mass-gathering event and patient registry, as well as clinical and operational experience amassed over several decades. Here the authors propose underlying human, environmental, and logistical factors that may contribute to poor data quality at mass gatherings, and make specific recommendations for improvement through pre-event planning, on-site actions, and post-event follow-up. The advancement of MGH research will rely on addressing factors that influence data quality and developing strategies to mitigate or enhance those factors. This is an exciting time for MGH research as higher order questions are beginning to be addressed; however, quality research must start from the ground up to ensure optimal primary data capture and quality. Guy A , Prager R , Turris S , Lund A . Improving data quality in mass-gatherings health research. Prehosp Disaster Med. 2017;32(3):329-332.
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 | 0,545 | 0,723 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,011 | 0,014 |
| Études des sciences et des technologies | 0,008 | 0,013 |
| Communication savante | 0,023 | 0,022 |
| Science ouverte | 0,009 | 0,025 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».