MétaCan
Menu
Retour à la cohorte
Enregistrement W2911722754 · doi:10.60082/0829-3929.1313

Physicians, Nurse Practitioners and ODSP Applications: Towards a New Model of Partnership with Community Legal Clinics

2018· article· en· W2911722754 sur OpenAlexvenueaboutno aff
Nicholas Hay

Notice bibliographique

RevueJournal of Law and Social Policy · 2018
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueLegal Education and Practice Innovations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBlameGeneral partnershipHealth professionalsHealth careWork (physics)NursingTest (biology)Order (exchange)Legal professionTask (project management)Public relationsPsychologyMedicinePolitical scienceBusinessLawPsychiatryManagement

Résumé

récupéré en direct d'OpenAlex

When completing the Ontario Disability Support Program (ODSP) application for their low-income patients, physicians and nurse practitioners are met with the difficult task of mapping their clients’ unique medical conditions onto an unfamiliar legal test. Accordingly, an inordinate number of ODSP applications are denied at the outset because the information healthcare professionals provide in the application is insufficient. While some blame physicians for this shortcoming, interviews conducted by the author with healthcare professionals reveal their side of the story and offer insights into how community legal clinics can work with healthcare professionals to improve the legal and medical services low-income patients receive. The author argues that in order to facilitate a long-term solution what is required is a model of cooperation between those in the legal and medical professions, particularly in the form of medical-legal partnerships (MLPs).

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,821
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0000,000
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 Opus0,108
Tête enseignante GPT0,460
Écart entre enseignants0,352 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Law and Social PolicyMême sujetLegal Education and Practice InnovationsTravaux en français237 207