Perspectives of different stakeholders on data use and management in public health emergencies in sub-Saharan Africa: a meeting report
Notice bibliographique
Résumé
During public health emergencies (PHEs), data are collected and generated from a variety of activities and sources, including but not limited to national public health programs, research and community-based activities. It is critical that these data are rapidly shared in order to facilitate the public health response, epidemic preparedness, as well research during and after the epidemic. Nonetheless, collecting and sharing data during PHEs can be challenging, especially where there are limited resources for public health and research-related activities during a PHE. In a symposium that brought together different stakeholders that were involved in the 2013-2016 Ebola outbreaks in West Africa, meeting attendees shared their perspectives on the values and management of data during PHEs in sub-Saharan Africa. Key factors that could inform and facilitate data management during PHEs in sub-Saharan Africa were discussed, including using data to inform policy decisions and healthcare; a coordinated data collection and management scheme; identifying incentives for data sharing; and equitable data governance mechanism that emphasise principles of reciprocity, transparency and accountability rather that trust between stakeholders or collaborators. Empirical studies are required to explore how these principles could inform best practices for data management and governance during PHE in sub-Saharan Africa.
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 | 0,127 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,019 | 0,011 |
| Communication savante | 0,026 | 0,019 |
| Science ouverte | 0,003 | 0,022 |
| Intégrité de la recherche | 0,009 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».