How DASH enables external data linkage to support multi-regional research
Notice bibliographique
Résumé
A network of organizations works together to support multi-regional health research across Canada. The network comprises 13+ provincial/territorial and pan-Canadian data centres, which collectively hold 500+ data assets. Although the network actively pursues new administrative or clinical data assets, linking to external research data is also a growing need in the contemporary research landscape. Data from the network’s centres can be linked to external data sources such as that from: researchers’ trials or studies; disease or population-based registries; and data sources from other organizations or custodians. Consultations held with data centers clarified their processes for linking to external data, by identifying and mapping local linkage features to a general linkage model. Local processes for data linkage, including necessary agreements and approval steps are now modelled and documented, and available to researchers and the data centres as a resource. This information helps streamline data access and linkages to data assets across the network and externally. Operationally, the network is currently working on 11 data access requests involving linkage to external data, of which three are expected to deliver final data to researchers by spring 2024. Collaboration with data centres, affiliated organizations, and researchers are foundational in the development of linkage models across the network. These models play a critical role in making linkages across data sources within Canada more efficient and standardized. Data linkages across data assets support the utility of data and health innovation.
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 | 0,055 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,016 | 0,014 |
| Science ouverte | 0,005 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,020 |
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 ».