La COVID-19 et les priorités de recherche sur le vieillissement
Notice bibliographique
Résumé
Cet article présente les domaines prioritaires de recherche sur les impacts de la pandémie de COVID-19 chez les personnes âgées telles qu'ils ont été identifiés par l'Institut du vieillissement des IRSC (IV-IRSC). Le processus utilisé par l'IV-IRSC a comporté plusieurs phases itératives qui ont permis d'identifier trois secteurs prioritaires parmi les besoins de la recherche relative à la COVID-19, et quatre axes thématiques transversaux. Les secteurs de recherche prioritaires sont : 1) la réponse des personnes âgées à la maladie, à la vaccination et aux traitements, 2) la santé mentale et l'isolement, et 3) les milieux de soins soutenants. Les quatre thèmes transversaux sont : a) l'Équité, la diversité et l'inclusion (EDI), b) les considérations éthiques et morales, c) les pratiques fondées sur les données probantes, et d) les technologies numériques de la santé. Les priorités décrites dans cet article guideront les réponses de l'IV-IRSC aux besoins de la recherche sur la COVID-19.
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 | 0,146 | 0,189 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,008 | 0,019 |
| Communication savante | 0,016 | 0,012 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».