A Lesson From 2020: Public Health Matters for Both COVID-19 and Diabetes
Notice bibliographique
Résumé
Each January, the editors of Diabetes Care look back at the last year and forward to the next. In January 2021 we have much to be thankful and happy about. The journal continues to publish outstanding scientific reports together with illuminating and provocative Commentary, Perspective, and Review articles. We are indebted to the authors who submit their manuscripts, the reviewers who evaluate them, and the editorial and production group that manages the process. They make it all possible. In 2020, Diabetes Care ’s impact factor increased once again, from 15.27 to 16.02. Accumulating scientific evidence presented by our journal and others continues to improve understanding of the pathophysiology of diabetes and add to the array of treatments. And yet . . . it’s been a hell of a year in other ways. The coronavirus disease 2019 (COVID-19) pandemic started a year ago and still has the world in its grip. It has tested all of us and brought many activities nearly to a halt. Countless people have fallen ill, sadly many have died, and the daily routines of most families are disturbed. The lockdown to prevent spread of the virus keeps people at home, limits travel, harms businesses, closes schools, and interferes with diagnosis and treatment of other ailments. Acute medical facilities have been overwhelmed in some regions. Fierce debates about controlling the spread of COVID-19 and mitigating its human and economic costs have ensued. Yet, in this crisis we see much heroism. Medical personnel and those who support …
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 | 0,037 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,014 |
| Communication savante | 0,029 | 0,034 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,038 | 0,079 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,017 |
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 ».