Aligning evidence generation and use across health, development, and environment
Notice bibliographique
Résumé
Although health, development, and environment challenges are interconnected, evidence remains fractured across sectors due to methodological and conceptual differences in research and practice. Aligned methods are needed to support Sustainable Development Goal advances and similar agendas. The Bridge Collaborative, an emergent research-practice collaboration, presents principles and recommendations that help harmonize methods for evidence generation and use. Recommendations were generated in the context of designing and evaluating evidence of impact for interventions related to five global challenges (stabilizing the global climate, making food production sustainable, decreasing air pollution and respiratory disease, improving sanitation and water security, and solving hunger and malnutrition) and serve as a starting point for further iteration and testing in a broader set of contexts and disciplines. We adopted six principles and emphasize three methodological recommendations: (1) creation of compatible results chains, (2) consideration of all relevant types of evidence, and (3) evaluation of strength of evidence using a unified rubric. We provide detailed suggestions for how these recommendations can be applied in practice, streamlining efforts to apply multi-objective approaches and/or synthesize evidence in multidisciplinary or transdisciplinary teams. These recommendations advance the necessary process of reconciling existing evidence standards in health, development, and environment, and initiate a common basis for integrated evidence generation and use in research, practice, and policy design.
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 | 0,811 | 0,858 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,006 |
| Méta-épidémiologie (sens large) | 0,011 | 0,011 |
| Bibliométrie | 0,041 | 0,032 |
| Études des sciences et des technologies | 0,009 | 0,024 |
| Communication savante | 0,044 | 0,046 |
| Science ouverte | 0,013 | 0,047 |
| Intégrité de la recherche | 0,018 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».