The Circles of Connections
Notice bibliographique
Résumé
In modernity, there is a growing obsession with tracking various aspects of an individual’s life, that is the ‘quantified self’. The latest trends in technology have made it much easier to track many elements of life such as heart rate, weight loss, fitness activity, and sleep patterns. The list can be extended by collecting data on others as well (such as a baby or pet), leading to the notion of the ‘quantified other’. This new wave in quantified self/other data has an impact on social and behavioural science research as well, moving the field away from a focus on survey studies towards more complex data-driven approaches. However, feasible ways of measuring the more intangible aspects of life such as connectedness, feelings, and resilience are rarely on offer in the self-quantified market. To address this, in partnership with Red Cross Australia, we have developed a social visualisation tool that helps people to assess their social connections, and understand how these connections contribute to aspects of social capital such as participation, support, feelings of safety and trust. We believe having such a tool to self-quantify an individual’s social connections offers the potential for better public health outcomes. The greater impact can be made at a community level to understand and facilitate social connections of diverse communities and raise awareness about their needs. Enriching such information with other spatial or sociodemographic data can help organisations like the Red Cross for provision of targeted supports particularly around areas of disaster management and engaging marginalised or vulnerable populations, and thus to build more resilient communities.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».