Post pandemic research priorities: A consensus statement from the HL-PIVOT
Notice bibliographique
Résumé
We have been amid unhealthy living and related chronic disease pandemics for several decades. These longstanding crises have troublingly synergized with the coronavirus disease 2019 (COVID-19) pandemic. The need to establish research priorities in response to COVID-19 can be used to address broad health and wellbeing, social and economic impacts for the future is emerging. Accordingly, this paper sets out a series of research priorities that could inform interdisciplinary collaboration between clinical sciences, public health, business, technology, economics, healthcare providers, and the exercise science/sports medicine communities, among others. A five-step methodology was used to generate and evaluate the research priorities with a focus on broad health and well-being impacts. The methodology was deployed by an international and interdisciplinary team from the Healthy Living for Pandemic Event Protection (HL- PIVOT) network. This team were all engaged in responding to the Pandemic either on the 'front-line' and/or in leadership positions ensuring the currency and authenticity of the process. Eight research priorities were identified clustered into two groups: i) Societal & Environmental, and ii) Clinical. Our eight research priorities are presented with insight from previously published research priorities from other groups.
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 | 0,152 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,010 | 0,015 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,017 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».