MétaCan
Menu
Retour à la cohorte
Enregistrement W3147786978 · doi:10.3389/fsoc.2021.617895

Indigenous Peoples' Data During COVID-19: From External to Internal

2021· article· en· W3147786978 sur OpenAlexaff
Stephanie Russo Carroll, Randall Akee, Pyrou Chung, Donna Cormack, Tahu Kukutai, Raymond Lovett, Michele Suina, Robyn Rowe

Notice bibliographique

RevueFrontiers in Sociology · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueFood Security and Health in Diverse Populations
Établissements canadiensLaurentian University
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human Development
Mots-clésIndigenousRacismGenocideEquity (law)PandemicCoronavirus disease 2019 (COVID-19)Political scienceEconomic growthBusinessDevelopment economicsPublic relationsEconomicsMedicineDiseaseLawInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Global disease trackers quantifying the size, spread, and distribution of COVID-19 illustrate the power of data during the pandemic. Data are required for decision-making, planning, mitigation, surveillance, and monitoring the equity of responses. There are dual concerns about the availability and suppression of COVID-19 data; due to historic and ongoing racism and exclusion, publicly available data can be both beneficial and harmful. Systemic policies related to genocide and racism, and historic and ongoing marginalization, have led to limitations in quality, quantity, access, and use of Indigenous Peoples' COVID-19 data. Governments, non-profits, researchers, and other institutions must collaborate with Indigenous Peoples on their own terms to improve access to and use of data for effective public health responses to COVID-19.

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)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,056
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,176
Tête enseignante GPT0,476
Écart entre enseignants0,301 · 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.

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

Citations64
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in SociologyMême sujetFood Security and Health in Diverse PopulationsTravaux en français237 207