Exploring the identification, validation, and categorization of costs and benefits of education in mental health: The PECUNIA project
Notice bibliographique
Résumé
Background Mental health problems can lead to costs and benefits in other sectors (e.g. in the education sector) in addition to the healthcare sector. These related costs and benefits are known as intersectoral costs and benefits (ICBs). Although some ICBs within the education sector have been identified previously, little is known about their extensiveness and transferability, which is crucial for their inclusion in health economics research. Objectives The aim of this study was to identify ICBs in the education sector, to validate the list of ICBs in a broader European context, and to categorize the ICBs using mental health as a case study. Methods Previously identified ICBs in the education sector were used as a basis for this study. Additional ICBs were extracted from peer-reviewed literature in PubMed and grey literature from six European countries. A comprehensive list of unique items was developed based on the identified ICBs. The list was validated by surveying an international group of educational experts. The survey results were used to finalize the list, which was categorized according to the care atom. Results Additional ICBs in the education sector were retrieved from ninety-six sources. Fourteen experts from six European countries assessed the list for completeness, clarity, and relevance. The final list contained twenty-four ICBs categorized into input, throughput, and output. Conclusion By providing a comprehensive list of ICBs in the education sector, this study laid further foundations for the inclusion of important societal costs in health economics research in the broader European context.
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 | 0,054 | 0,100 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,015 | 0,016 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».