Notice bibliographique
Résumé
One of the greatest challenges for public health researchers and practitioners is the translation of knowledge into evidence-based programs and policies. University-based research yields a growing supply of new discoveries, and practitioners, payers, and consumers are eager to benefit from this science. However, clinical and public health research findings are often “lost in translation” for fifteen to twenty years before their incorporation into practice. This translation gap prevents many nations from reaping the benefits of billions of dollars of funds spent on research, and it frustrates researchers and funders who are motivated to improve real-world practice. Over the past several years, much more attention has been paid to translational research in mainline medical and public health journals. Similarly, federal agencies and foundations are beginning to support translational research more fully. For example, recent funding announcements from the US National Institutes of Health show the higher priority being placed on translational research. Similarly, the Canadian Institutes of Health Research has increased its emphasis on funding translational research. This article provides a collection of resources that offer insight into the translation of science to practice and policy, organized into seventeen sections that are designed to highlight the key issues involved in shortening the translation gap.
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 | 0,135 | 0,407 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,034 | 0,032 |
| Science ouverte | 0,005 | 0,013 |
| Intégrité de la recherche | 0,015 | 0,017 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,017 |
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 source (Gemma direct ou Codex distillé), 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 ».