Transdisciplinary Team Science in Health Research, Where Are We?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Modern medicine and healthcare systems focus on diagnosing, treating, and monitoring diseases in clinical practice. However, contemporary disease burden is driven by chronic diseases, whose determinants occur across multiple levels of influence, from genetics to changes in the natural, built environments to societal conditions and policies. Conventional discipline-specific approaches are useful for the discovery and accumulation of knowledge on single causes of disease entities. Multidisciplinary collaborations can facilitate the identification of the causes of diseases at multiple levels, while interdisciplinary collaboration remains limited to transferring tools from one discipline to another, perhaps creating new disciplines (molecular epidemiology, etc). However, these forms of disciplinary collaboration fall short in capturing the complexity of chronic disease. In addition, these approaches lack sufficient power to generate knowledge that is translatable into implementable solutions, because of their failure to provide a holistic view limited their ability to capture the complexity of real-world problems. Transdisciplinary collaborations gained popularity in health research in the 1990 s, when disciplinary researchers began to develop integrated research frameworks that transcended discipline-specific methods. Using cancer research as an example, this position paper describes the nature of different disciplinary collaborations, reviews transdisciplinary research projects funded by the US National Cancer Institute, discusses frameworks to develop shared mental models in teams and to evaluate transdisciplinary collaboration, highlights the role of team science in successful transdisciplinary health research, and proposes future research to develop the science of team science.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,084 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,022 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,003 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle