Information technology and addiction science: promises and challenges
Notice bibliographique
Résumé
BACKGROUND: Information technology can be used to advance addiction science and clinical practice. MAIN BODY: This special issue, "Information technology (IT) interventions to advance treatment for opioid and other addictions" presents studies that expand our understanding of IT intervention efficacy, patients' perspectives, and how IT can be used to improve substance use health care and research. This editorial introduces the topics addressed in the special issue and focuses on some of the challenges that the field is currently facing, such as attrition and treatment retention, transferability of intervention paradigms, and the challenge to keep pace with rapidly changing technologies. CONCLUSIONS: Increasing treatment reach is particularly crucial in the addiction field. IT empowers researchers and clinicians to reach large portions of the population who might not otherwise access standard treatment modalities, because of geographical limitations, logistical constraints, stigma, or other reasons. The use of information technology may help reduce the substance use treatment gap and contribute to public health efforts to diminish the impact of substance use and other addictive behaviors on population health.
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 | 0,011 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,015 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,006 |
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 ».