The case for data sharing in traditional, complementary, and integrative medicine research
Notice bibliographique
Résumé
Traditional, complementary, and integrative medicine (TCIM) research encompasses a diverse range of health practices rooted in various cultural, philosophical, and historical frameworks. As global interest in conducting research in this field grows, the need for rigorous research to support the integration of evidence-based TCIM therapies into mainstream healthcare has become essential. Data sharing is critical to advancing TCIM research by enhancing reproducibility, fostering interdisciplinary collaboration, promoting ethical practices, and addressing global health challenges. Despite its benefits, numerous challenges are associated with data sharing in TCIM, including a lack of standardized practices, cultural sensitivity, intellectual property concerns, and technical barriers in resource-limited settings. This editorial explores the unique nature of TCIM research, emphasizing the importance of data sharing while acknowledging the complexities it entails. Implementing the CARE Principles for Indigenous Data Governance, which prioritize collective benefit, authority to control, responsibility, and ethics, offers a framework for ensuring that data sharing respects indigenous knowledge and cultural sensitivities. Strategies for overcoming barriers to data sharing include developing standardized protocols, investing in research infrastructure, and fostering a culture of openness and collaboration within the TCIM community and beyond. By advancing data sharing practices, TCIM research can contribute to evidence-based healthcare solutions and address global health disparities, ultimately improving health outcomes worldwide.
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 | 0,646 | 0,636 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,020 | 0,125 |
| Communication savante | 0,044 | 0,101 |
| Science ouverte | 0,013 | 0,056 |
| Intégrité de la recherche | 0,037 | 0,058 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».