Notice bibliographique
Résumé
Euthanasia and assisted suicide, both sometimes referred to as medical assistance in dying (MAiD), have in recent years become increasingly important concerns for public health and for end-of-life care. In a context of increased life expectancy, protracting illness trajectories before death and changing discourses around patient autonomy, dignity and ‘good death’, an increasing number of jurisdictions have legalised forms of MAiD, that is, acts in which the death of a seriously ill and suffering person is hastened by means of a lethal dose of drugs at this person’s request.1 Up until a decade ago, the number of jurisdictions that legally accepted some form of MAiD was limited to a handful of relatively small European countries (the Netherlands, Belgium, Switzerland) and one state in the USA (Oregon). In the last decade (ie, between 2009 and 2018), this was substantially expanded with three countries (Luxembourg, Colombia and Canada) and eight states (Washington, Vermont, Montana, California, Colorado, Hawaii and Washington DC in the USA and the Australian state of Victoria). This means that over 180 million people now live in a place where they can legally access MAiD. This increased public health relevance of MAiD also intensifies its importance within end-of-life care research. Up until now, research has particularly been limited to the early-adaption countries and states2 and, even there, a number of concerns regarding MAiD practice have not yet been studied adequately. At the same time, MAiD remains subject of fierce debate. From our impression of the current state of research regarding MAiD practices, a number of shortcomings and needs in research can be identified. Of these research gaps, we suggest at least the following five as most directly addressable …
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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; les deux têtes enseignantes 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 ».