Connecting the dots: a qualitative study of dog-bite data in Calgary (AB, Canada)
Notice bibliographique
Résumé
IntroductionWorldwide, dog-bites remain a leading cause of pediatric injuries. Local governments are key because they can enact and enforce policies on dogs. The City of Calgary has earned an international reputation for its approach to regulating dogs and dog-owners, which has resulted in marked reductions in per capita dog-aggression complaints. Objectives and ApproachThis presentation reflects on how data on dogs are collected, sorted and used by local governments. Our approach has been qualitative in nature: we observed bylaw officers during ride-alongs, and we conducted in-depth interviews with officials who conceived and/or use the databases involving dogs in Calgary. We took a particular interest in the migration of the City of Calgary’s ‘canine data’ (e.g., dog licensing, reports by enforcement officers) to a more comprehensive database listing all of the incidents recorded by municipal services (including ‘911’ and ‘311’ calls, etc.). ResultsPreliminary results point to difficulties in linking data stemming from several sources. Within the municipality itself, the transition comes with important challenges. Moreover, to improve public health surveillance for dog-bites, and ultimately to improve preventive strategies, other sources of data should be linked, including emergency services, animal welfare charities, and and veterinary clinics. This fragmentation of available data would be difficult to overcome. Local governments and animal welfare charities may cooperate during investigations but do not share their administrative data. The issue of privacy is a strong barrier for municipal services to obtain healthcare data, while veterinary clinics are private entities that have few incentives to align with administrative data held by local governments or healthcare services. Conclusion/ImplicationsIn a city whose model is built upon the close monitoring of pets and their people, the issue of data linkages is critical. New partnerships and new solutions, respectful of citizen privacy and organizations’ respective scope of practice, should be developed.
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 | 0,011 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,008 |
| Études des sciences et des technologies | 0,030 | 0,016 |
| Communication savante | 0,009 | 0,004 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
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.
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 ».