Mediating health information : the go-betweens in a changing socio-technical landscape
Notice bibliographique
Résumé
CHAPTER 1: The Go-Betweens: Health, Technology and Info(r)mediation. Sally Wyatt, Roma Harris and, Nadine Wathen CHAPTER 2: 'Everybody's Talking at Me': Situating the Client in the Info(r)mediary Work of the Health Professions. Leslie Bella, Roma Harris, Debbie Chavez, Jana Fear and Penny Gill CHAPTER 3: Health Intermediaries? Positioning the Public Library in E-Health Discourse. Flis Henwood, Roma Harris, Samantha Burdett and Audrey Marshal CHAPTER 4: To Filter or Not to Filter: Legal and Ethical Aspects of Librarians' Use of Internet Filtering Techniques. Elaine Gibson and Jan Sutherland CHAPTER 5: Invisible Logic: The Role of Software as an Information Intermediary in Health Care. Ellen Balka and Arsalan Butt CHAPTER 6: Personalized Narrative Diagnostic Imaging: Can it Mediate Patient-System Dialogue? Peter Pennefather and West Suhanic CHAPTER 7: Using the Internet as a Health Intermediary: Providing Information and Services to Marginalized Sexual Communities. T.C. Sanders CHAPTER 8: Between the Clinic and the Community: Pathways for an Emerging E-Health Policy in the Remote First Nations of Northwestern Ontario. Adam Fiser and Robert Luke CHAPTER 9: We're All Out there Busting Our Guts, Trying to Do the Best that We Can for Our People': Health Intermediaries in the Australian Indigenous Communities. Lyn Simpson, Michelle Hall and Susan Leggett CHAPTER 10: Helpers, Gatekeepers and the Well-Intentioned: The Mixed Blessings of HIV/AIDS Info(r)mediation in Rural Canada. Roma Harris, Tiffany Veinot, Leslie Bella, Irving Rootman and Judith Krajnak CHAPTER 11: Reflections on the Middle Space. Nadine Wathen, Roma Harris and Sally Wyatt.
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 | 0,022 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,023 | 0,085 |
| Communication savante | 0,043 | 0,049 |
| Science ouverte | 0,003 | 0,025 |
| Intégrité de la recherche | 0,010 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
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 ».