Plenary and Symposium Abstracts
Notice bibliographique
Résumé
BACKGROUND: In 2008, the International Agency for Research on Cancer (IARC) released its World Cancer Report (IARC, 2008), which indicated that cancer accounts for approximately 12% of all-cause mortality worldwide. IARC estimated that globally 7.6 million peopled died from cancer and that 12.4 million new cases were diagnosed in 2008. The report went on to project that, due to increases in life expectancy, improvements in clinical diagnostics, and shifting trends in health behaviors (e.g., increases in smoking and seden-tary lifestyles), in the absence of significant efforts to improve global cancer control, cancer mortality could increase to 12.9 million and cancer incidence to 20 million by the year 2030. METHOD: Looking deeper into the data, it becomes clear that cancer-related stigma and myths about cancer are important problems that must be addressed, although different from a country to another. Stigmas about cancer present significant challenges to cancer control: stigma can have a silencing effect, whereby efforts to increase cancer awareness are negatively affected. he social, emotional, and financial devastation that all too often accompanies a diagnosis of cancer is, in large part, due to the cultural myths and taboos surrounding the disease. RESULTS: Combating stigma, myths, taboos, and overcoming silence will play important roles in changing this provisional trajectory. There are several reasons that cancer is stigmatized. Many people in our area perceived cancer to be a fatal disease. Cancer symptoms or body parts affected by the disease can cultivate stigma. Fears about treatment can also fuel stigma. There was evidence of myths associated with cancer, such as the belief that cancer is contagious, or cancer may be seen as a punishment. CONCLUSIONS: After reviewing these different examples of Cultural Myths and Taboos met in cancer Care, we can report these lessons learned
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 | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».