MétaCan
Menu
Retour à la cohorte
Enregistrement W2891521002 · doi:10.23889/ijpds.v3i4.942

Data Linkage Methods in Manitoba

2018· article· en· W2891521002 sur OpenAlexaffabout
Ken Turner, Randy Walld, Shelley Derksen

Notice bibliographique

RevueInternational Journal for Population Data Science · 2018
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueData Quality and Management
Établissements canadiensManitoba Health
Organismes subventionnairesnon disponible
Mots-clésLinkage (software)Computer scienceRecord linkageLinked dataData qualityPopulationData miningProcess (computing)Data scienceInformation retrievalEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

IntroductionAt the Manitoba Centre for Health Policy (MCHP), we have been performing data linkage for over 25 years. Over time, the Manitoba Population Research Data Repository (MPRDR) has expanded to over 80 datasets. Data linkage methods are key to bringing all this data together for population-based research.
 Objectives and ApproachThe presentation will include a detailed description of the individual steps involved in the data linkage process and provide information about the methods developed and knowledge gained over time at MCHP. We will present different scenarios linking health, education, social and justice data and the choices that are made prior to and during data linkage. The data linkage process and linkage methods, including data validation techniques, will be illustrated with examples from our work.
 ResultsThe presentation will describe the different types of data we have in the MPRDR and illustrate how the data are processed in a de-identified manner so that privacy and confidentiality are maintained.
 The presentation will provide details on the data linkage methods used, dependent on the type of data sources being linked. This involves identifying and describing a 5-step data linkage process, including:
 
 pre-processing (gaining knowledge about the data and cleaning/standardization techniques);
 searching for and selecting the appropriate linkage variables;
 applying different linkage techniques (e.g.: deterministic, probabilistic, “fuzzy matching” and manual review) to the data,
 “rules” for deciding when data linkage should occur, and
 reporting and Interpreting linkage outcome metrics and quality.
 
 Conclusion/ImplicationsOur ability to link different data sources provides the capacity to study questions and complex issues related to health, social, education and justice from a population perspective. The techniques and methods described in this presentation should be applicable to other organizations linking administrative data.

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)0,036
score de la tête « metaresearch » (Gemma)0,021
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Communication savante, Science ouverte
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,863
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0360,021
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,010
Science ouverte0,0180,005
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 Opus0,665
Tête enseignante GPT0,644
Écart entre enseignants0,021 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeAutre devis
Domainenon disponible
GenreMéthodes

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'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetData Quality and ManagementTravaux en français237 207