A Primer on Biostatistics
Notice bibliographique
Résumé
There are several measures of disease frequency that are used in the epidemiological and medical literature. A perfect diagnostic test would always identify patients as positive if they have the disease and would always be negative in patients without a disease. Descriptive statistics are used to summarise and describe distributions of data. While traditional methods use a test and/or a diagnostic tool to predict a disease state and/or outcome, as discussed at the beginning of this chapter, predictive analysis is becoming increasingly popular due to the emergence of sophisticated data science. When performing research, consulting with a biostatistician is paramount to ensure that the study is designed in a way that facilitates proper analysis. However, having knowledge of the concepts in biostatistics ensures that the clinical goals of the study meet the study design and the analytical plan.
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 | 0,045 | 0,107 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,013 |
| Communication savante | 0,011 | 0,011 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,007 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,019 |
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 ».