MétaCan
Menu
Retour à la cohorte
Enregistrement W2889745882 · doi:10.23889/ijpds.v3i4.671

SAGE: supporting secondary data analysis and expediting knowledge mobilization with linked administrative, service delivery, and research data

2018· article· en· W2889745882 sur OpenAlexaboutno aff
Hannah Lloyd-Jones, Robert Jagodziński, Poliana Gonçalves Barbosa, Jason Lau, Xinjie Cui

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueEthics in Clinical Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData sharingData governanceTransparency (behavior)Data securityKnowledge managementPublic relationsBusinessService (business)Computer scienceData qualityComputer securityPolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

IntroductionThe cultural revolution of data sharing is becoming a global movement. It allows for scientific replication and verification of research results, avoiding research duplication, and enabling greater transparency and knowledge mobilization with a relatively low cost. However, privacy protection and data security are critical concerns for human-subject related data sharing.
 Objectives and ApproachIn order to facilitate data sharing and engage various stakeholders to better inform policy and practice while protecting privacy, SAGE (Secondary Analysis to Generate Evidence) was established by PolicyWise for Children and Families. It is a collaborative data repository platform that connects stakeholders through secondary use of data. SAGE was built to link, manage, and share research data, community service data, and administrative data related to health and social well-being. Governance and technical processes are in place to ensure that data depositors are involved in decision-making, and data accessed by collaborators are secured and re-identification risks assessed.
 ResultsSAGE has been in operation for over a year. Through engagement with the research and non-profit communities, SAGE now offers ten data assets. Discovery is facilitated through well-documented metadata through NADA and Dataverse. Six new collaborative projects have been initiated through SAGE. SAGE is working actively with local non-profits to liberate data to generate evidence and collaborate with each other on common goals. SAGE has helped these organizations understand the legal and legislative barriers to data sharing, and build the technical capacity to further this goal. Discussions are underway with Alberta public entities on how SAGE can support the linkage and governance processes in the use of administrative data.
 Conclusion/ImplicationsSAGE is putting the governance processes and security practices in place to fill a need for a facilitated data sharing model for sensitive data. SAGE is supporting the cultural shift towards data sharing and reuse by fostering trust and collaboration among researchers, non-profit and government ministries.

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)0,022
score de la tête « metaresearch » (Gemma)0,026
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,654
Score d'incertitude au seuil0,982

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0220,026
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,004
Science ouverte0,0030,005
Intégrité de la recherche0,0000,001
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 Opus0,727
Tête enseignante GPT0,680
Écart entre enseignants0,047 · 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'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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetEthics in Clinical ResearchTravaux en français237 207