Courtage de connaissances sur les maladies infectieuses pour la santé publique
Notice bibliographique
Résumé
Les Centres de collaboration nationale (CCN) en santé publique (CCNSP) ont été établis en 2005 dans le cadre de l’engagement du gouvernement fédéral à renouveler et à renforcer la santé publique à la suite de l’épidémie du syndrome respiratoire aigu sévère (SRAS). Ils ont été mis sur pied pour appuyer l’application des connaissances en vue d’une utilisation plus opportune de la recherche scientifique et d’autres connaissances dans les pratiques, les programmes et les politiques de santé publique au Canada. Six centres composent les CCNSP, dont le Centre de collaboration nationale des maladies infectieuses (CCNMI). Le CCNMI collabore avec des professionnels de la santé publique pour trouver, comprendre et utiliser des recherches et des données probantes sur les maladies infectieuses et les déterminants de la santé associés. Le CCNMI a pour mandat de forger des liens entre ceux qui génèrent et ceux qui utilisent les connaissances sur les maladies infectieuses. À titre de premier article d’une série sur le CCNSP, nous décrivons notre rôle dans le courtage de connaissances et les nombreuses méthodes et produits que nous avons élaborés. De plus, nous illustrons comment le CCNMI a été en mesure de travailler avec la santé publique pour générer et échanger des connaissances pendant la pandémie du coronavirus de 2019 (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 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 | 0,049 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,010 | 0,004 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,001 |
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 ».