Characterising firearm-related databases across Canada: opportunities for data linkage to inform understanding of injury burden and prevention
Notice bibliographique
Résumé
Introduction: Firearm injuries are a significant public health issue in Canada, yet the broader consequences, particularly non-fatal injuries, remain under examined in research and policy discussions. These injuries impose long-term physical, psychological, and social burdens on survivors and create substantial economic costs. While firearm-related injury data are collected across health, justice, and policing sectors, the lack of integration between these datasets hampers a comprehensive understanding of the issue. Objectives: This study aims to explore opportunities for linking national, provincial, and municipal datasets on firearm-related injuries in Canada, focusing on data from healthcare, legal, and firearm-specific domains. Methods: A comprehensive search for publications related to firearms of Medline, Scopus, and Web of Science and grey literature up to February 2025 identified several relevant datasets, including health records, death registries, and crime databases. Results: We found that while valuable information exists, the datasets are siloed, limiting the ability to analyse firearm injuries holistically. Gaps in data, such as the psychological impact of firearm injuries and specific details on firearm ownership, further constrain research. Despite these challenges, linking healthcare, justice, and firearm data could offer critical insights into the epidemiology of firearm injuries, their long-term effects, and associated risk factors. Conclusions: Overcoming operational constraints related to privacy, data quality, and funding will be essential for advancing this research and informing evidence-based interventions to reduce firearm-related harm. Drawing from successful data integration initiatives in other jurisdictions, such as Sweden and Australia, this study advocates for the development of a cross-sectoral data linkage strategy to enhance firearm injury prevention and policy development in Canada.
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 | 0,107 | 0,386 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,062 | 0,127 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,013 | 0,008 |
| Science ouverte | 0,006 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».