Identifying Priorities for Communicating a Large Body of Research for Impact
Notice bibliographique
Résumé
Background CAREX (CARcinogen EXposure) Canada’s mandate is to communicate a body of academic research and expertise on Canadians’ exposures to carcinogens, to inform efforts to reduce exposures and ultimately reduce the risk of cancer. With 80 known and suspected carcinogens in its database and over 800 estimates of how and where Canadians are exposed, CAREX’s challenge has been to focus its efforts to achieve impact. Analysis A process model for identifying and prioritizing opportunities for knowledge translation was developed. From 2012-2017 that model was used to identify exposure priorities, select and engage knowledge users with readiness to collaborate, and explore opportunities to apply CAREX’s knowledge and expertise. Conclusion and implications A total of 54 impacts were tracked, including priority setting, cancer prevention research, implementation research, and policy and practice change.RésuméContexte CAREX Canada (CARcinogen EXposure) a pour mandat de communiquer la recherche et l’expertise académiques sur l’exposition des Canadiens aux carcinogènes, de soutenir les efforts pour réduire cette exposition, et en fin de compte de réduire les incidences du cancer. Dans sa base de données, CAREX recense quatre-vingts cancérogènes connus et soupçonnés et plus de huit cents estimations sur comment et où les Canadiens y sont exposés. Son défi principal a été de focaliser ses efforts afin d’avoir un meilleur impact. Analyse Un modèle de processus a été développé pour identifier et prioriser les occasions d’effectuer une application des connaissances. Entre 2012 et 2017, ce modèle a servi à identifier les priorités pour l’exposition aux cancérigènes, à sélectionner et intéresser des utilisateurs des connaissances prêts à collaborer, et à explorer les occasions pour appliquer le savoir et l’expertise de CAREX. Conclusion et implications On a relevé un total de 54 impacts, y compris l’établissement des priorités, la recherche sur la prévention du cancer, la recherche sur la mise en oeuvre, et la modification de politiques et de pratiques.
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 | 0,151 | 0,221 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,011 | 0,007 |
| Communication savante | 0,026 | 0,020 |
| Science ouverte | 0,004 | 0,017 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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; 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 ».