Improving Responsiveness: Our Journey from Manual Yearly Updates to Automated Linkage for Near Real-Time Understanding of Outcomes and Modelling Future Service Demand
Notice bibliographique
Résumé
ObjectiveDemand for real-time data during the COVID-19 pandemic revealed a need to increase efficiencies in manual linkage processes to respond to events in near real-time. In response, our jurisdictional linkage agency transitioned from yearly to daily, weekly and monthly linkage practices through increasing automation and improving process flows. ApproachOur linkage agency transitioned to a fully automated process utilising scalable cloud infrastructure. Source data is now provided directly to a common data platform. This data is split into linkage and content, cleansed and quality assured in Python and set to automatically run via Azure data pipelines. The data is then linked via a combination of deterministic and probabilistic criteria, with data quality checks automatically performed along the way. Researchers can analyse this data in a secure virtual machine that only they can access and retrieve data from. Results This infrastructure expedites the data linkage process allowing daily linkage results to select datasets, and enables advanced research such as a predictive micro-simulation model, which leverages the platform to predict and intervene on outcomes influenced by governmental policies. This model relies on timely administrative data to build targeted interventions for groups with poor future outcomes, tests these interventions, and monitors outcomes in near real-time. ConclusionOur linkage agency has transitioned from manual to automated linkage processes in response to increasing need for timely data. By embracing cloud infrastructure and leveraging automation, we have streamlined our operations, enabling responsive linkage depending on need and expediting the provision of de-identified, linked data to researchers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».