How Should Epidemiologists Respond to Data Genocide?
Notice bibliographique
Résumé
Data quality for and about American Indian/Alaska Native (AI/AN) people is undermined by deeply entrenched, colonial practices that have become standard in US federal data systems.This article draws on cases of maternal mortality and COVID-19 to demonstrate the ethical and clinical need for inclusive, diverse, and accurate data when researching AI/AN health trends.This article further argues that epidemiologists specifically must challenge implicit bias, question methods and practices, and recognize colonial, racist reporting practices about AI/AN people that have long undermined data collection, analytical, and dissemination practices that are fundamental to epidemiological research.The American Medical Association designates this journal-based CME activity for a maximum of 1 AMA PRA Category 1 Credit™ available through the AMA Ed Hub TM .Physicians should claim only the credit commensurate with the extent of their participation in the activity.
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 | 0,492 | 0,730 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,013 | 0,043 |
| Communication savante | 0,029 | 0,042 |
| Science ouverte | 0,008 | 0,024 |
| Intégrité de la recherche | 0,063 | 0,077 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,006 |
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 ».