MétaCan
Menu
Retour à la cohorte
Enregistrement W2741226040 · doi:10.5114/jhi.2017.69154

EEA and Norway Grants – reducing social and economic disparities in Europe

2017· article· en· W2741226040 sur OpenAlexaboutno aff
Leif Edvard Aarø

Notice bibliographique

RevueJournal of Health Inequalities · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Systems and Public Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInequalityHealth equitySocial determinants of healthSocial inequalityPolitical scienceHealth careLaw

Résumé

récupéré en direct d'OpenAlex

ENWEndNote BIBJabRef, Mendeley RISPapers, Reference Manager, RefWorks, Zotero AMA Aarø LE. EEA and Norway Grants – reducing social and economic disparities in Europe. Journal of Health Inequalities. 2017;3(1):3-4. doi:10.5114/jhi.2017.69154. APA Aarø, L. E. (2017). EEA and Norway Grants – reducing social and economic disparities in Europe. Journal of Health Inequalities, 3(1), 3-4. https://doi.org/10.5114/jhi.2017.69154 Chicago Aarø, Leif E. 2017. "EEA and Norway Grants – reducing social and economic disparities in Europe". Journal of Health Inequalities 3 (1): 3-4. doi:10.5114/jhi.2017.69154. Harvard Aarø, L. (2017). EEA and Norway Grants – reducing social and economic disparities in Europe. Journal of Health Inequalities, 3(1), pp.3-4. https://doi.org/10.5114/jhi.2017.69154 MLA Aarø, Leif. "EEA and Norway Grants – reducing social and economic disparities in Europe." Journal of Health Inequalities, vol. 3, no. 1, 2017, pp. 3-4. doi:10.5114/jhi.2017.69154. Vancouver Aarø L. EEA and Norway Grants – reducing social and economic disparities in Europe. Journal of Health Inequalities. 2017;3(1):3-4. doi:10.5114/jhi.2017.69154.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,169
Score d'incertitude au seuil0,980

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,137
Tête enseignante GPT0,417
Écart entre enseignants0,279 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Health InequalitiesMême sujetHealthcare Systems and Public HealthTravaux en français237 207