A multinational Delphi consensus to end the COVID-19 public health threat
Notice bibliographique
Résumé
Abstract Despite notable scientific and medical advances, broader political, socioeconomic and behavioural factors continue to undercut the response to the COVID-19 pandemic1,2. Here we convened, as part of this Delphi study, a diverse, multidisciplinary panel of 386 academic, health, non-governmental organization, government and other experts in COVID-19 response from 112 countries and territories to recommend specific actions to end this persistent global threat to public health. The panel developed a set of 41 consensus statements and 57 recommendations to governments, health systems, industry and other key stakeholders across six domains: communication; health systems; vaccination; prevention; treatment and care; and inequities. In the wake of nearly three years of fragmented global and national responses, it is instructive to note that three of the highest-ranked recommendations call for the adoption of whole-of-society and whole-of-government approaches1, while maintaining proven prevention measures using a vaccines-plus approach2that employs a range of public health and financial support measures to complement vaccination. Other recommendations with at least 99% combined agreement advise governments and other stakeholders to improve communication, rebuild public trust and engage communities3in the management of pandemic responses. The findings of the study, which have been further endorsed by 184 organizations globally, include points of unanimous agreement, as well as six recommendations with >5% disagreement, that provide health and social policy actions to address inadequacies in the pandemic response and help to bring this public health threat to an end.
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 | 0,303 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,005 | 0,029 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».