Using Clustering Technique to Restructure Programs.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Measuring and monitoring socioeconomic health inequalities are critical for understanding the impact of policy decisions. However, the measurement of health inequality is far from value neutral, and one can easily present the measure that best supports one's chosen conclusion or selectively exclude measures. Improving people's understanding of the often implicit value judgments is therefore important to reduce the risk that researchers mislead or policymakers are misled. While the choice between relative and absolute inequality is already value laden, further complexities arise when, as is often the case, health variables have both a lower and upper bound, and thus can be expressed in terms of either attainments or shortfalls, such as for mortality/survival.We bring together the recent parallel discussions from epidemiology and health economics regarding health inequality measurement and provide a deeper understanding of the different value judgments within absolute and relative measures expressed both in attainments and shortfalls, by graphically illustrating both hypothetical and real examples. We show that relative measures in terms of attainments and shortfalls have distinct value judgments, highlighting that for health variables with two bounds the choice is no longer only between an absolute and a relative measure but between an absolute, an attainment- relative and a shortfall-relative one. We illustrate how these three value judgments can be combined onto a single graph which shows the rankings according to all three measures, and illustrates how the three measures provide ethical benchmarks against which to judge the difference in inequality between populations.
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.
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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle