Advancing multi-regional research in Canada through collaboration.
Notice bibliographique
Résumé
ObjectivesCOVID-19 accentuated the importance of breaking down data siloes and aligning incentives for data access, collection, and use. Health Data Research Network Canada (HDRN Canada) is responding to this challenge, bringing together people and organizations to transform health data use in Canada. ApproachHDRN Canada’s foundation is its partnership of 20 pan-Canadian, provincial and territorial data organizations that together are enabling multi-regional research. This is being enriched with HDRN Canada’s development of the Canada Health Data Research Alliance (HDR Alliance). The HDR Alliance coordinates expansion of sources and types of data available while retaining organizational independence. A project-based pilot approach is underway with two large pan-Canadian, longitudinal, consented cohort studies being linked at HDRN Canada sites. In addition, a collaboration with a pan-Canadian COVID19 clinical trials network is ensuring that clinical data are collected in ways that enables linkage with population-based administrative data. ResultsHDRN Canada has created a single data access portal for researchers with information on over 500 datasets and supported 72 research projects to date. Work on the HDR Alliance adds data from the Canadian Partnership for Tomorrow’s Health and the Canadian Longitudinal Survey on Aging. The former includes 350,000 individuals, and survey data (including related to COVID-19), physical measures and genomics. The latter includes 50,000 individuals with survey data and physical measures. Four multi-region clinical trials are being planned with the support of HDRN Canada. Even with aligned incentives, challenges navigating data governance and access processes remain. Collaborations are necessary to address these complexities and enable access to richer data in an efficient and timely matter. ConclusionStrong partnerships are critical to unlocking the potential of Canada’s data assets and expertise. The HDR Alliance provides a collaboration mechanism to increase the “findability”, accessibility and utility of data assets, while addressing complex issues in the data landscape. This increases research opportunities and the impact of population-based, linkable data.
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 | 0,072 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,015 | 0,007 |
| Communication savante | 0,019 | 0,005 |
| Science ouverte | 0,006 | 0,026 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,007 |
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 ».