Inverting social innovation to transform health system responses to climate change adaptation and mitigation in the global south
Notice bibliographique
Résumé
Systems thinking is aimed at understanding and solving complex problems that cut across sectors, an approach that requires accurate, timely, and multisectoral data. Citizen-driven big data can advance systems thinking, considering the widespread use of digital devices. Using digital platforms, data from these devices can transform health systems to predict and prevent global health crises and respond rapidly to emerging crises by providing citizens with real-time support. For example, citizens can obtain real-time support to help with public health risks via a digital app, which can predict evolving risks. These big data can be aggregated and visualized on digital dashboards, which can provide decision-makers with advanced data analytics to facilitate jurisdiction-level rapid responses to evolving climate change impacts (e.g., direct public health crisis communication). In the context of climate change, digital platforms can strengthen rapid responses by integrating information across systems (e.g., food, health, and social services) via citizen big data. More importantly, these big data can be used for rapid decision-making,a paradigm-changing approach that can invert social innovation, which we define as co-conceptualizing societal solutions with vulnerable communities to improve economic development with a focus on community wellbeing. However, to foster equitable and inclusive digital partnerships that invert social innovation, it is critical to avoid top-down approaches that sometimes result when researchers in the Global North and South collaborate. Equitable Global South-North partnerships can be built by combining digital citizen science and community-based participatory research to ethically leverage citizen-driven big data for rapid responses across international jurisdictions.
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 | 0,013 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,021 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,019 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».