An illustrative guide to a Policy Lab model: contributing to evidence-informed policies for digital technology in youth mental health care
Notice bibliographique
Résumé
Objective This article provides researchers with an illustrative guide for a workshop model that facilitates evidence-informed policy. The Policy Lab model supports collaboration between experts and policymakers; in the example provided, participants considered digital technologies with near-term potential to improve youth mental health care. Method The Policy Lab model uses structured workshop activities to explore a policy question, before narrowing the focus on potential answers. The barriers, enablers, and implementation mechanisms of potential policies are then considered. From this data policy proposal(s) are drafted, reviewed, and reported. Results Through the Policy Lab activities, participants identified two priority technologies and generated data to inform the formulation of two policies. The policies were focused on (1) using artificial intelligence to improve the personalisation and precision of youth mental health care and (2) the expanded use of integrated data to improve youth mental health service quality. Conclusions Evidence-informed policy is a collaborative process. To potentially influence policy requires timely engagement with policymakers and an understanding of the policy context. Researchers considering using the model are encouraged to include a range of expertise.
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 | 0,061 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,011 |
| Communication savante | 0,015 | 0,014 |
| Science ouverte | 0,006 | 0,011 |
| Intégrité de la recherche | 0,016 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,009 |
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 ».