MétaCan
Menu
Retour à la cohorte
Enregistrement W4404773648 · doi:10.1017/cts.2024.664

The role of information science within the clinical translational science ecosystem

2024· review· en· W4404773648 sur OpenAlexaff
Bart Ragon, Anne Seymour, Elizabeth C. Whipple, Alisa Surkis, Amanda Haberstroh, Jennifer Muilenburg, Melissa L. Rethlefsen, Erinn E. Aspinall, Jill Deaver, Nadine Dexter, Renae Barger, Nicole Contaxis, Emily J. Glenn, Elizabeth Hinton, Barbara Kern, Micquel Little, Keith Pickett, Erika Sevetson, Donghua Tao, Megan von Isenburg, Debra A. Werner, Terrie R. Wheeler, Kristi Holmes

Notice bibliographique

RevueJournal of Clinical and Translational Science · 2024
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Bioinformatics, and Biomedical Research
Établissements canadiensQueen's University
Organismes subventionnairesNational Center for Advancing Translational SciencesNational Institutes of HealthNational Institute of General Medical SciencesNorthwestern University
Mots-clésTranslational scienceEcosystemData scienceEnvironmental resource managementEnvironmental scienceComputer scienceSociologyEcologyBiologySocial science

Résumé

récupéré en direct d'OpenAlex

Academic health sciences libraries ("libraries") offer services that span the entire research lifecycle, positioning them as natural partners in advancing clinical and translational science. Many libraries enjoy active and productive collaborations with Clinical and Translational Science Award (CTSA) Program hubs and other translational initiatives like the IDeA Clinical & Translational Research Network. This article explores areas of potential partnership between libraries and Translational Science Hubs (TSH), highlighting areas where libraries can support the CTSA Program's five functional areas outlined in the Notice of Funding Opportunity. It serves as a primer for TSH and libraries to explore potential collaborations, demonstrating how libraries can connect researchers to services and resources that support the information needs of TSH.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,993
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0310,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,013
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,442
Écart entre enseignants0,369 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical and Translational ScienceMême sujetGenetics, Bioinformatics, and Biomedical ResearchTravaux en français237 207