Author Correction: Burdens of type 2 diabetes and cardiovascular disease attributable to sugar-sweetened beverages in 184 countries
Notice bibliographique
Résumé
In the version of the article initially published, in the eighth paragraph of the Discussion, the text “Among large nations, the largest increases in SSB-related T2D burdens were in Mexico, Thailand and the United Kingdom, and in CVD burdens, Colombia, Nigeria, Thailand and Russia. These changes align with rises in SSB consumption in these nations 12 . Similarly, declining SSB-related cardiometabolic burdens in Brazil, the United States and the United Kingdom (for CVD) are consistent with their decreasing SSB consumption from 1990 to 2020 12 ” was incorrect and has now been updated to “Among largely populated nations, the largest increases in SSB-related T2D incidence was in Colombia, USA and Argentina; and in CVD incidence, Nigeria, Russia, Colombia and Thailand. These changes generally align with rises in SSB consumption in these nations, except in the US where slight declines in SSB consumption were offset by increased burdens of diabetes 12 . Similarly, declining SSB-related cardiometabolic burdens in Turkey, Brazil, and the United States and the United Kingdom for CVD are consistent with their decreasing SSB consumption from 1990 to 2020 12 .” Additionally, Supplementary Data 1 and 2 have been updated to remove decimals in values greater than 100. These corrections have been made to the HTML and PDF versions of the article.
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 | 0,003 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,027 |
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 ».