MétaCan
Menu
Retour à la cohorte
Enregistrement W2908053812 · doi:10.1146/annurev-publhealth-040218-043735

Commentary: Causal Inference for Social Exposures

2019· review· en· W2908053812 sur OpenAlexaff
Jay S. Kaufman

Notice bibliographique

RevueAnnual Review of Public Health · 2019
Typereview
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésCausal inferenceObservational studyConfoundingEpidemiologyInferenceSocial epidemiologyCausal modelCausality (physics)Causal structurePsychologyTask (project management)Marginal structural modelCognitive psychologyMedicineComputer sciencePublic healthSocial determinants of healthPathologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Social epidemiology seeks to describe and quantify the causal effects of social institutions, interactions, and structures on human health. To accomplish this task, we define exposures as treatments and posit populations exposed or unexposed to these well-defined regimens. This inferential structure allows us to unambiguously estimate and interpret quantitative causal parameters and to investigate how these may be affected by biases such as confounding. This paradigm has been challenged recently by some critics who favor broadening the exposures that may be studied beyond treatments to also consider states. Defining the exposure protocol of an observational study is a continuum of specificity, and one may choose to loosen this definition, incurring the cost of causal parameters that become commensurately more vague. The advantages and disadvantages of broader versus narrower definitions of exposure are matters of continuing debate in social epidemiology as in other branches of epidemiology.

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)0,006
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,727
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0060,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0060,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,488
Tête enseignante GPT0,576
Écart entre enseignants0,088 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnual Review of Public HealthMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207