A Collaborative Research Exploration of Pollutant Mixtures and Adverse Birth Outcomes by Using Innovative Spatial Data Mining Methods: The DoMiNO Project
Notice bibliographique
Résumé
Environmental health research is gaining interest due to the global concern of environmental factors impacting health. This research is often multifaceted and becomes complex when trying to understand the participation of multiple environmental variables. It requires the combination of innovative research methods, as well as the collaboration of diverse disciplines in the research process. The application of collaborative approaches is often challenging for interdisciplinary teams, and much can be learned from in-depth observation of such processes. We share here a case report describing initial observations and reflections on the collaborative research process of the Data Mining and Neonatal Outcomes (DoMiNO) project (2013–2018), which aimed to explore associations between mixtures of air pollutants and other environmental variables with adverse birth outcomes by using an innovative data mining approach. The project was built on interdisciplinary and user knowledge participation with embedded evaluation framework of its collaborative process. We describe the collaborative process, the benefits and challenges encountered, and provide insights from our experience. We identified that interdisciplinary research requires time and investment in building relationships, continuous learning, and engagement to build bridges between disciplines towards co-production, discovery, and knowledge translation. Learning from interdisciplinary collaborative research experiences can facilitate future research in the challenging field of environmental health.
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 | 0,033 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».