Reading Between the Lines: A Pursuit of Estimating the Population Prevalence of Mental Illness Using Multiple Data Sources
Notice bibliographique
Résumé
Population-based prevalence estimates of mental illness are foundational to health service planning, strategic resource allocation, and the development and evaluation of public mental health policy. Generating valid, reliable, and context-specific population-level estimates is of utmost importance and can be achieved by combining various data sources. This pursuit benefits from the right combination of theory, applied statistics, and the conceptualization of available data sources as a collective rather than in isolation. We believe there is a need to read between the lines as theory, methodology, and context (i.e., strengths and limitations) are what determines the meaningfulness of a combined prevalence estimate. Currently lacking is a gold standard approach to combining estimates from multiple data sources. Here, we compare and contrast various approaches to combining data and introduce an idea that leverages the strengths of pre-existing individually linked population-based survey and health administrative data sources currently available in Canada.
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 | 0,234 | 0,422 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,022 | 0,026 |
| Études des sciences et des technologies | 0,010 | 0,024 |
| Communication savante | 0,031 | 0,041 |
| Science ouverte | 0,013 | 0,023 |
| Intégrité de la recherche | 0,009 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».