MétaCan
Menu
Retour à la cohorte
Enregistrement W4391797901 · doi:10.51952/9781447342465.ch002

Demography, diagnosis and alcohol-related brain damage

2006· book-chapter· en· W4391797901 sur OpenAlexaboutno aff
Mary Marshall, Margaret-Anne Tibbs

Notice bibliographique

RevuePolicy Press eBooks · 2006
Typebook-chapter
Langueen
DomaineMedicine
ThématiqueAlcoholism and Thiamine Deficiency
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAlcoholPsychologyDemographyMedicinePsychiatrySociologyBiology

Résumé

récupéré en direct d'OpenAlex

This is a book about knowledge, ideas, skills and expertise for social workers. However, in order to understand our task we have to understand the context in which we work. Demography is a very important part of the context. All developed countries have rapidly ageing populations, which means that dementia, which is so closely linked to age, may be called the key health issue for the 21st century. We discuss demographics and then take a medical approach to dementia, which social workers need to understand. We include a special section on alcohol-related brain damage (ARBD) because social workers will be working increasingly with people with this condition. Over 750,000 older people in the UK have a diagnosis of dementia. Using population figures for 1996, this can be broken down as shown in Table 2.1. The primary risk factor for dementia is age. As social workers, we need to be aware, therefore, that demography is a key factor in our field because it affects both current services and future planning. There is a great deal of research in progress looking at risk factors such as family history, diet, stress and head trauma (Gow and Gilhooly, 2003). So far it is inconclusive although it is clear that the risk factors for vascular dementia are related to those for other vascular problems, like smoking, poor diet and little exercise. There is increasing attention to the possibility that there is a vascular component to all dementias (Snowden, 2001). A large study published in 2004 compared prevalence rates in nine Organisation for Economic Co-operation and Development (OECD) countries – Australia, Canada, England and Wales, France, Germany, Japan, Spain, Sweden and the US.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,852
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,040
Tête enseignante GPT0,297
Écart entre enseignants0,257 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolicy Press eBooksMême sujetAlcoholism and Thiamine DeficiencyTravaux en français237 207