What Can We Learn From Others to Develop a Regional Centre for Infectious Diseases in ASEAN? Comment on "Operationalising Regional Cooperation for Infectious Disease Control: A Scoping Review of Regional Disease Control Bodies and Networks"
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) pandemic has brought the need for regional collaboration on disease prevention and control to the fore. The review by Durrance-Bagale et al offers insights on the enablers, barriers and lessons learned from the experience of various regional initiatives. Translating these lessons into action, however, remains a challenge. The Association of Southeast Asian Nations (ASEAN) planned to establish a regional centre for disease control; however, many factors have slowed the realisation of these efforts. Going forward, regional initiatives should be able to address the complexity of emerging infectious diseases through a One Health approach, assess the social and economic impact of diseases on the region and study the real-world effectiveness of regional collaborations. The initiatives should seek to be inclusive of stakeholders including those from the private sector and should identify innovative measures for financing. This advancement will enable regions such as ASEAN to effectively prepare for the next pandemic.
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 | 0,027 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,018 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,016 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».