Notice bibliographique
Résumé
IntroductionMost public health-related concepts and outcomes can be defined as to their geographic location. The surroundings often have a strong influence or interactions with studied phenomena. For this reason a good understand and accurate geographic placement, linking, and aggregation of studied concepts is a critical yet often underestimated procedure. Objectives and ApproachThe main objectives of this presentation are: 1) an easy to understand review and explanation of geographic delineation markers in common healthcare databases, and 2) ways and pitfalls of geographic data linkages. Common point- and area-defined databases will be described. Nuances of ‘point-to-area’, ‘area-to-area’ linkages will be discussed, with additional explanations of scale and zone effects. Examples of common linkages between the following common spatial delineators will be explained: Postal Code Conversion File (PCCF), small area Canada Census units, common health system geographies (e.g. sub-regions, LHINs). Frequently committed errors and best practices in geographic data linkages will be discussed. ResultsExamples of the influence of various methods of geographic data linkages on study simulated outcomes will be shown. Conclusion/ImplicationsImproper geographic linkage procedures can lead to incorrect study results. Enhancing the knowledge of geographic concepts in public health research and promotion of correct procedures in spatial placements, linkages and aggregation are the main take home messages of this presentation.
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 | 0,022 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,084 | 0,027 |
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 ».