Gesundheitliche Chancengleichheit in der digitalen Gesundheitsförderung und Prävention am Beispiel des Settings Schule
Notice bibliographique
Résumé
0. Einleitung 154 1. Wechselwirkungen gesundheitlicher, sozialer und digitaler Ungleichheiten in Bezug zum Settingansatz 155 1.1 Sozioökonomischer Status und Gesundheit 155 1.2 Unterschiedliche Auswirkungen von (digitalen) Gesundheitsinterventionen 156 1.3 Settingbasierte Ansätze zur (digitalen) Gesundheitsförderung und Prävention 158 2. Digitale Technologien in der Gesundheitsförderung und Prävention 159 3. Beleuchtung von Ungleichheiten in der digitalen Gesundheitsförderung und Prä vention am Beispiel des Settings Schule 160 3.1 Bedeutung des Settings Schule für Gesundheitsförderung und Prävention und die digitalen Gesundheitskompetenz bei Schüler*innen und Lehrpersonal 160 3.2 Stand der Digitalisierung im Setting Schule 161 3.3 Digitale Technologien im Setting Schule und deren Verbreitung 162 3.4 Handlungsfelder digitaler Technologien zur schulischen Gesundheitsförde rung und Prävention 164 3.5 Wirksamkeit digitaler Technologien zur schulischen Gesundheitsförderung und Prävention unter Berücksichtigung von Ungleichheitsaspekten 165 4. Schlussfolgerungen 167 Literatur 168 Zusammenfassung Digitale settingbasierte Interventionen sind ein Zukunftsthema für Ge sundheitsförderung und Prävention und bergen Chancen sowie Herausfor derungen im Hinblick auf gesundheitliche Ungleichheiten.In Hinblick auf eine mögliche Reduktion gesundheitlicher Ungleichheiten ist neben einer flächendeckenden technischen Ausstattung auch die Befähigung von Kin 153
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,037 | 0,007 |
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 ».