Amplifying the role of knowledge translation platforms in the COVID-19 pandemic response
Notice bibliographique
Résumé
The COVID-19 pandemic presents the worst public health crisis in recent history. The response to the COVID-19 pandemic has been challenged by many factors, including scientific uncertainties, scarcity of relevant research, proliferation of misinformation and fake news, poor access to actionable evidence, time constraints, and weak collaborations among relevant stakeholders. Knowledge translation (KT) platforms, composed of organisations, initiatives and networks supporting evidence-informed policy-making, can play an important role in providing relevant and timely evidence to inform pandemic responses and bridge the gap between science, policy, practice and politics. In this Commentary, we highlight the emerging roles of KT platforms in light of the COVID-19 pandemic. We also reflect on the lessons learned from the efforts of a KT platform in a middle-income country to inform decision-making and practice during the COVID-19 pandemic. The lessons learned can be integrated into strengthening the role, structures and mandates of KT platforms as hubs for trustworthy evidence that can inform policies and practice during public health crises and in promoting their integration and institutionalisation within the policy-making processes.
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 | 0,052 | 0,169 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,022 |
| Communication savante | 0,017 | 0,024 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,095 | 0,069 |
| 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; 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 ».