MétaCan
Menu
Retour à la cohorte
Enregistrement W2782527620 · doi:10.1177/145507250302001s17

Redesign on the fly: Safer Bars and the Toronto experience

2003· article· en· W2782527620 sur OpenAlexaboutno aff
John J. Purcell, Kathryn Graham, Louis Gliksman, Colleen Tessier, Jennifer Jelley

Notice bibliographique

RevueNordic Studies on Alcohol and Drugs · 2003
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueCriminal Justice and Corrections Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSAFERIntervention (counseling)Scale (ratio)Project teamEngineeringNursingMedicineGeographyComputer scienceCartography

Résumé

récupéré en direct d'OpenAlex

In this paper we describe the experiences and lessons learned at the 18-month mark of the Safer Bars project, a three-year randomised control evaluation of an intervention to reduce bar violence. As part of the planning for the project, findings and lessons from bar-room intervention and observation research in Australia (Homel et al. 1997), the US (Saltz & Stanghetta 1997), the UK (MCM Research 1993), Canada (Graham & Wells 2001; Wells & Graham & West 1998), and elsewhere (see review by Graham 2000) were incorporated into the study methods and design. The project team also included investigators and consultants who were experienced with the workings of bars. In addition, the intervention had been tested extensively throughout the province of Ontario (see Chandler-Coutts et al. 2000). Nevertheless, as so happens in real-world research, the implementation of this large-scale project in Toronto, Canada encountered a number of challenges and setbacks. This paper describes the major challenges and how they were addressed.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,263
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,001
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 Opus0,054
Tête enseignante GPT0,348
Écart entre enseignants0,294 · 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.

Devis d'étudeQualitatif
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

Citations3
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNordic Studies on Alcohol and DrugsMême sujetCriminal Justice and Corrections AnalysisTravaux en français237 207