Canadian public health experiences during COVID-19: a new framework for assessing evidence
Notice bibliographique
Résumé
Background: Public health emergencies like COVID-19 require public policy and practice decisions at a time of uncertainty and rapidly changing science. Methods: We conducted qualitative, phenomenological interviews with 25 senior Canadian public health leaders at local, provincial, and federal levels. Interviews explored how evidence was assessed, interpreted, and utilized during Canada's COVID-19 pandemic response. Data analysis followed rigorous inductive coding to identify key themes. Results: Participants highlighted limitations in traditional evidence hierarchies, emphasizing instead the critical role of timely, context-specific information such as predictive modeling, local surveillance data, and stakeholder insights. Officials described dynamically balancing methodological rigor with evidence credibility and applicability. We propose the Methodology-Credibility-Applicability (MCA) Evidence Framework, emphasizing simultaneous assessment across these three dimensions. Discussion: We document the experiences of public health leaders during the COVID-19 crisis, focusing on the assessment and use of evidence in decision making. The results challenge established hierarchies for assessing evidence and highlight the need for flexible, multidimensional frameworks for evaluating evidence during crises.
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 | 0,234 | 0,298 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,047 | 0,028 |
| Études des sciences et des technologies | 0,034 | 0,080 |
| Communication savante | 0,045 | 0,020 |
| Science ouverte | 0,010 | 0,026 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 ».