MétaCan
Menu
Retour à la cohorte
Enregistrement W4308054423 · doi:10.1093/aje/kwac192

Breaking Research Silos and Stimulating “Innovation at the Edges” in Epidemiology

2022· article· en· W4308054423 sur OpenAlexafffund
Shahar Shmuel, Charles E. Leonard, Katsiaryna Bykov, Kristian B. Filion, Marissa J. Seamans, Jennifer L. Lund

Notice bibliographique

RevueAmerican Journal of Epidemiology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHealth, Environment, Cognitive Aging
Établissements canadiensMcGill University
Organismes subventionnairesNational Institute on Drug AbuseNational Institute on AgingCanadian Institutes of Health ResearchUniversity of California, Los AngelesNational Institutes of HealthPatient-Centered Outcomes Research InstituteMcGill UniversityBrigham and Women's HospitalEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentUniversity of North Carolina at Chapel HillAgency for Healthcare Research and QualitySanofiF. Hoffmann-La RocheUniversity of PennsylvaniaPharmaceutical Research and Manufacturers of America FoundationRocheGlaxoSmithKlineFonds de Recherche du Québec - SantéACCP FoundationPfizer
Mots-clésEpidemiologyMerge (version control)Engineering ethicsMedicineSociologyPublic relationsComputer sciencePolitical sciencePathology

Résumé

récupéré en direct d'OpenAlex

Epidemiological training often requires specialization in a subdiscipline (e.g., pharmacoepidemiology, genetic epidemiology, social epidemiology, or infectious disease epidemiology). While specialization is necessary and beneficial, it comes at the cost of decreased awareness of scientific developments in other subdisciplines of epidemiology. In this commentary, we argue for the importance of promoting an exchange of ideas across seemingly disparate epidemiologic subdisciplines. Such an exchange can lead to invaluable opportunities to learn from and merge knowledge across subdisciplines. It can promote "innovation at the edges," a process of borrowing and transforming methods from one subdiscipline in order to develop something new and advance another subdiscipline. Further, we outline specific actionable steps at the researcher, institution, and professional society level that can promote such innovation.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,056
score de la tête « metaresearch » (Gemma)0,017
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMétarecherche
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,203
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0560,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,002
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,157
Tête enseignante GPT0,429
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAmerican Journal of EpidemiologyMême sujetHealth, Environment, Cognitive AgingTravaux en français237 207