MétaCan
Menu
Retour à la cohorte
Enregistrement W3131515534 · doi:10.1017/s1049023x21000078

Measuring the Masses: Understanding Health Outcomes Arising from Mass Gatherings, Reporting Gaps, and Recommendations (Paper 2)

2021· article· en· W3131515534 sur OpenAlexaff
Sheila A. Turris, Haddon Rabb, Matthew Brendan Munn, Elizabeth Chasmar, Christopher W. Callaghan, Jamie Ranse, Adam Lund

Notice bibliographique

RevuePrehospital and Disaster Medicine · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueTravel-related health issues
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésContent (measure theory)Action (physics)Content analysisPsychologyComputer scienceBusinessSociologyMathematicsPhysics

Résumé

récupéré en direct d'OpenAlex

Within the world of mass-gathering (MG) medicine and event medicine, researchers are making continued efforts to standardize data collection, analysis, and reporting. 1-6 Given the number of MGs that occur annually around the globe, and the associated mortality and morbidity that can arise, it is time to harmonize post-event reporting on health outcomes. In the context of the present coronavirus disease 2019 (COVID-19) pandemic, there is a world-wide "pause" on MGs. Perhaps this is the time for the MG research community to realign and sharpen the focus of this evolving academic field. Coordinating post-event reporting through the consistent capture and publication of essential data points will allow researchers and clinicians to make comparisons between events and across event types with the goal of mitigating or obviating negative outcomes for individuals and communities.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,235
Score d'incertitude au seuil0,582

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,113
Tête enseignante GPT0,342
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePrehospital and Disaster MedicineMême sujetTravel-related health issuesTravaux en français237 207