Addressing data gaps on long-term care in Canada through data linkage
Notice bibliographique
Résumé
BackgroundWithin the context of Canada’s aging population, the complexities of its long-term care system, and the COVID-19 pandemic, information about long-term care facilities, their residents, and their workers is needed. However, little information exists on long-term care residents as they are rarely included in population surveys, and data on the facility characteristics of long-term care workers’ places of employment are often not available. Objective and ApproachTo effectively monitor changes, improvements, and health outcomes in Canada’s long-term care sector, many data gaps need to be addressed. This paper will present the results of an initiative that sought to examine the potential of integrating existing survey and administrative data sources to fill these gaps. A novel approach was taken which focused on how both facility-level and individual-level data could be integrated, allowing for a more comprehensive understanding of long-term care in Canada. ResultsThis initiative resulted in the development of two data linkage proposals. This presentation will provide an overview of the data sources identified for linkage, the approach taken to examine the feasibility of these linkages, challenges with integrating the data sets, and next steps to move the initiative forward. ImplicationsThe data linkages that will be discussed will help to address data gaps on Canada’s long-term care system. The proposed data linkages may also provide researchers with ideas for using similar data sources to address data gaps in long-term care in their respective countries.
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 | 0,149 | 0,295 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,017 | 0,048 |
| Études des sciences et des technologies | 0,010 | 0,003 |
| Communication savante | 0,014 | 0,006 |
| Science ouverte | 0,007 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».