The sustainability of health economics: Proceedings from the 2022 Inter-University Big Data Challenge
Notice bibliographique
Résumé
STEM Fellowship’s Inter-University Big Data Challenge is a unique Big Data inquiry and experiential learning program that provides university students worldwide an opportunity to apply computational thinking in search of national, regional, community, and individual health solutions. It is a new form of R&D talent development and identification through computational science and scholarly communication demonstrated by students. As part of the program, participants were offered a broad range of workshops in data analytics, programming, and science communication. Some of the tools the students learned and used include Python, R, machine learning, LaTeX, and Overleaf. This year, the program participants explored issues of The Sustainability of Health Economics and suggested a whole spectrum of original Open Data-based ideas and solutions. Presented research topics are ranging from Improved Health Resource Allocation and Tracking the Spread of a Virus to Health Insurance based on Health Behaviours, and more. Overall, we received submissions from student teams from practically all leading Canadian universities, mixed teams of students from Canada and the US, Asian, and Latin American universities. On behalf of the STEM Fellowship, we extend our sincere congratulations to all students who participated in the program and wish them the best for their future academic and professional endeavours. We want to express our appreciation to all the mentors and volunteers. This program would not be possible without generous support of our sponsors: Hoffman La Roche Canada, Canadian Science Publishing, and JMIR Publications.
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 | 0,046 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,018 | 0,007 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».