Three things we learned along the way: lessons for training in psychiatric epidemiology
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) pandemic, and its associated mortality, morbidity, and deep social and economic impacts, was a global traumatic stressor that challenged population mental health and our de facto mental health care system in unprecedented ways. Yet, in many respects, this crisis is not new. Psychiatric epidemiologists have recognized for decades the need and unmet need of people in distress and the limits of the public mental health services in the United States. We argue that psychiatric epidemiologists have a critical role to play as we endeavor to address population mental health and draw attention to 3 areas of consideration: elevating population-based solutions; engaging equitably with lived experience; and interrogating recovery. Psychiatric epidemiology has a long history of both responding to and shaping our understanding of the relationships among psychiatric disorders and society through evolving methods and training, and the current sociohistorical moment again suggests that shifts in our practice can strengthen our field and its impact. This article is part of a Special Collection on Mental Health.
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 | 0,075 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,021 |
| Communication savante | 0,016 | 0,034 |
| Science ouverte | 0,005 | 0,017 |
| Intégrité de la recherche | 0,017 | 0,047 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 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; 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 ».