COVID-19: investing in country capacity to bridge science, policy and action
Notice bibliographique
Résumé
The COVID-19 pandemic has put research evidence and its use in health policy-making under a new spotlight.1 Faced with the need for immediate action, as most recently shown with vaccination roll-out strategies,2 many politicians and other leaders have publicly stressed the need to follow the ‘science’. Scientific advisors and advisory bodies have gained unprecedented visibility. At the same time, the conflicts between researchers/health experts and political decision-makers have, now and then, been vividly brought to the fore.3 To bridge the divide, building and strengthening knowledge translation (WHO defines knowledge translation as the exchange, synthesis and effective communication of reliable and relevant research results. The focus is on promoting interaction among the producers and users of research, removing the barriers to research use, and tailoring information to different target audiences so that effective interventions are used more widely.) organisations, which act as institutional bridges between researchers and both decision-makers and communities, is called for.4 More than ever before, countries need to counter misinformation and rapidly mobilise the best available evidence, and present it in userfriendly ways to decision-makers.5 The WHO has been championing the need for research evidence to inform decision-making in the context of COVID-19. Although at times also challenged to provide clear guidance in …
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 | 0,040 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,015 | 0,015 |
| Science ouverte | 0,006 | 0,005 |
| Intégrité de la recherche | 0,029 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,016 |
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 ».