Implementing an integrated multi‐technology platform for drug checking: Social, scientific, and technological considerations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The illicit drug overdose crisis in North America continues to devastate communities with fentanyl detected in the majority of illicit drug overdose deaths. The COVID-19 pandemic has heightened concerns of even greater unpredictability in the drug supplies and unprecedented rates of overdoses. Portable drug-checking technologies are increasingly being integrated within overdose prevention strategies. These emerging responses are raising new questions about which technologies to pursue and what service models can respond to the current risks and contexts. In what has been referred to as the epicenter of the overdose crisis in Canada, a multi-technology platform for drug checking is being piloted in community settings using a suite of chemical analytical methods to provide real-time harm reduction. These include infrared absorption, Raman scattering, gas chromatography with mass spectrometry, and antibody-based test strips. In this Perspective, we illustrate some advantages and challenges of using multiple techniques for the analysis of the same sample, and provide an example of a data analysis and visualization platform that can unify the presentation of the results and enable deeper analysis of the results. We also highlight the implementation of a various service models that co-exist in a research setting, with particular emphasis on the way that drug checking technicians and harm reduction workers interact with service users. Finally, we provide a description of the challenges associated with data interpretation and the communication of results to a diverse audience.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle