CINECA D7.3 First recommendations for implementation in IT Framework (Incl. a Data Management Plan)
Notice bibliographique
Résumé
Health data collected in cohort studies are valuable sources for knowledge generation and the advance of biomedical research. However, the use of these data for research projects beyond the initial purpose raises several ethical, legal, technical, and societal questions. This deliverable addresses these challenges regarding reuse of health/genomic data in CINECA from the ethical, legal, and societal issues (ELSI) perspective and in the light of Open Science and FAIR principles. In responding to the requirements for an appropriate IT and governance framework for CINECA and beyond, the research presented in this document builds on a review of GDPR provisions and their institutional sources of interpretation as well as national laws, the corresponding legal, ethical, and social science literature, as well as stakeholder engagement workshops with patient representatives, African researchers, and co-creative exercises with CINECA technical experts. The core of this deliverable are the ethical and legal recommendations that take societal implications into account for data access to European, Canadian, and African cohorts. The recommendations address four key areas: (1) Engagement and benefit sharing as prerequisites for data sharing, (2) Informed consent and reuse of data, (3) Safeguards and respect for privacy, and (4) Further uses and data-access. The deliverable concludes with an outlook on relevant projects such as the European Health Data Space (EHDS) and upcoming ELSI developments regarding data reuse and artificial intelligence (AI).
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 | 0,106 | 0,200 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,031 | 0,018 |
| Science ouverte | 0,008 | 0,015 |
| Intégrité de la recherche | 0,016 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,188 | 0,137 |
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 ».