Notice bibliographique
Résumé
Page numbers in italics refer to tables and figures; 'n' after a page number indicates the endnote number.A accessibility 36, 249 as barrier to aging well 47, 48 infrastructure accessibility 18, 105 lack of 27, 36 MD users 31, 33-7 Nova Scotia 191-2 parking accessibility 34 recommendations 34-5, 36-7, 47, 77 AFC (Age-Friendly City, WHO) 4-9, 115, 133, 223 Age-Friendly City Framework 5, 89, 110 age-friendly domains and key factors 5 apolitical nature 7 budget and funding 8, 9 City of Toronto 8 critiques 6-7, 128 framework 5-6 government and 4, 5-6, 7, 249 history 4-5 Indigenous Canada 199, 201, 223-4, 229-30, 234-6 leadership 8-9 Ontario 7, 8, 223 Ontario: Finding the Right Fit… 223-4, 229-30 policy implementation 7 politics and 8 recommendations 9, 128 success 8-9 voluntary policy 7, 8 WHO Age-Friendly City status 6, 74, 113, 169 ageism 46, 77, 94, 111-12, 137, 253 anti-ageism 48, 102-3, 112 definition 102 as greatest challenge 254 LGBTQ community and frail older adults 94, 102-3, 250 rural Canada 146, 158, 169 women 184 agency 252 MD users 31, 37-8 rural Canada: women 177-8, 178, 184 aging 2 age-friendly planning 1, 193, 245 Canada 1, 3, 4, 247-8 environment and 27 aging in place aging in place, wellbeing, and mobility 115-17, 118 benefits of 208 CAIP (Calgary Aging in Place Co-Operative) 22, 74-5 housing 91-2, 151 Indigenous Canada 208-9, 216, 229 rural Canada 151, 182-3, 184 suburban Canada 86, 91-2, 115, 122, 128 urban Canada 19, 20, 249 aging well 2, 4, 46-7 accessibility and 47, 48 Indigenous Canada, challenges to aging well 198-200, 220, 229, 230-4, 251-2 Indigenous Canada, opportunities to aging well 200-1 rural Canada, challenges to aging well 143-5, 150-7, 166, 167-9, 172, 251 rural Canada, opportunities to aging well 143, 146-7, 251 suburban Canada, challenges to aging well 84-5, 250 suburban Canada, opportunities to aging well 85-7, 172 Toronto 48-9 urban Canada, challenges to aging well 17-20, 45, 46-7, 77, 249 urban Canada, opportunities to aging well 20-2, 45, 77 Alberta 16, 82, 142, 247 Alzheimer's disease 21, 206, 247
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 | 0,001 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,823 | 0,774 |
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 ».