UbiSecE: UbiLab’s Secure Cloud Environment for Public Health Research in Microsoft Azure
Notice bibliographique
Résumé
The use of Personal Health Information (PHI) has become increasingly popular in public health research in recent years. However, many researchers have stored collected PHI in local databases or filesystems with limited centralized storage. This has raised concerns about cybersecurity, the lack of standards, and the absence of a data governance program. To address these issues, a cloud-based infrastructure was developed for public health research over PHI that meets the requirements of Ubilab, a public health research group at the University of Waterloo. UbiSecE, a Secure Cloud-Based Infrastructure for Public Health Research, was designed by adapting Microsoft Azure's cloud infrastructure to meet the needs of Ubilab. Relevant laws, regulations, and standards, such as PIPEDA, GPDR, FIPPA, and PHIPA, that govern the utilization of PHI for public health research were identified. Additionally, the lab's actors, social norms, processes, and collective problems were analyzed to establish the foundation of the data governance program in Azure. Azure's data governance architecture guidelines were followed to provide the primary governance mechanisms for evaluating, guiding, and monitoring UbiSecE resources and processes. To ensure the secure maintenance of PHI, role-based access controls were implemented for all users, and all governance processes were deployed via Azure. Furthermore, NIST 800-53 compliance was integrated for all deployed resources. UbiSecE offers a centralized, private, and secure environment for public health research, which enables different users with different roles to conduct research with PHI.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,041 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».