Calgary Thrives: Data sharing and linkage in the not-for-profit sector.
Notice bibliographique
Résumé
IntroductionCompared to the public sector, not-for-profits are less focused on cross-agency data linkage. Technical capacity is often secondary to addressing caseloads and protecting clients. Clients’ privacy is paramount and can be perceived as a barrier to collaboration between agencies. However, collaboration could streamline referrals and better assist vulnerable populations. Objectives and ApproachSix not-for-profit agencies in Calgary, Canada participated in a data sharing project to measure various aspects of poverty and link data to determine cross-agency service usage. With this goal in mind, agencies examined their consent and data sharing practices to assess barriers to data sharing. There was a thorough exploration of client consent and how a client’s context can enable or limit data sharing. Cross-agency program usage was assessed among participating agencies using a privacy-preserving record linkage (PPRL) methodology. ResultsAmongst the six participating agencies, four were deemed to have adequate technical capacity to share data. A contributing factor to the willingness of agencies to share data was the development of LinkWise: a PPRL software created and developed by PolicyWise. Linkage rates amongst three agencies were compared. Rates ranged from 47.8% to 0.23%. A higher linkage rate between two agencies indicated a small community based agency which provided many referrals to a larger agency, such as a food bank. Lower linkage rates on client intake may indicate an agency with many clients. It may also indicate differing socio-economic brackets for their clients’ catchment area. Conclusion/ImplicationsWhile capacity, caseloads, and privacy protection restrict data sharing, not-for-profit agencies would benefit from a data sharing strategy. Linking data represent opportunities for collaboration within a significantly resource constrained sector. Moreover, it could more effectively address issues of vulnerable populations, streamline referrals for services, and facilitate quality improvement.
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 | 0,025 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,014 |
| Études des sciences et des technologies | 0,011 | 0,005 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».