Expanding data resources beyond “health care”: exploring options and implications
Notice bibliographique
Résumé
BackgroundPopulation data science has a long history with health care data. Some data centres are expanding to include “health-related” data, including information on other publicly funded services (e.g. education, income and housing supports), and systems (e.g. criminal justice, children in care). We describe what enabled this expansion through three examples from Health Data Research Network Canada. MethodsHDRN Canada members include data centres that provide access to linkable data sets for approved research projects. We use case studies to identify similarities, differences, and lessons learned from the process of expansion in the provinces of Manitoba, New Brunswick and British Columbia. ResultsThe Manitoba Centre for Health Policy has 30+ years of experience with linked data, with a consistent focus on population health. Data sets expanded incrementally, through partnerships across government agencies. Population Data BC has a nearly 30-year history, with recent expansion to health-related data through partnership with a program of one government ministry that operates under distinct legislative authority. The New Brunswick Institute for Research, Data and Training is newer, and helped advocate for legislation changes that enabled an expanded set of linked data to be made available for research. All embed Five Safes principles, and commitments to inclusion, diversity, equity and accessibility and Indigenous data sovereignty in data governance. ConclusionA greater variety of data enables research to answer complex research questions. This kind of expansion can be accomplished through different mechanisms, but in all cases requires attention to ethical and legal principles of population data science.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,006 | 0,003 |
| 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 ».