VITALISE D5.3 Summary of the performed activities for JRA1
Notice bibliographique
Résumé
Although Living Labs have emerged as resilient research and innovation infrastructures and have proved to be a “key” to the integration of research and innovation processes in real-life settings, they still fail to provide and function according to unified and harmonized processes that are easily accessible and exploitable by academic and industrial researchers. VITALISE brings together Living Labs across Europe (and 1 outside Europe in Canada) to create a Thematic ecosystem of Living Labs in the Health and Wellbeing domain, aiming at creating synergies and transnational collaboration opportunities through innovative Joint Research Activities. During VITALISE project three Joint Research Activities (JRAs) were implemented among the consortium Living Lab partners. These JRAs included state-of-the-art use cases that investigated AHA and chronic conditions in three important domains for the Health and Wellbeing Research. They were selected based on the consortium’s existing research studies and expertise: Rehabilitation, Transitional care and Everyday living environments (respectively JRA1, JRA2, JRA3). The JRA of WP5 focused on the use of supportive technology for rehabilitation interventions and data collection in a rehabilitation context. We primarily aimed to gain insight in each living lab’s infrastructure and procedures in order to harmonise health and wellbeing living lab procedures and infrastructures in Europe and beyond, in particular in the context of rehabilitation. Secondly, we aimed to investigate the potential of innovative technologies for rehabilitation through living lab methodologies. Six small-scale pilot studies were preceded by co-creation sessions. This document presents an overview of the case studies performed in different countries.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; un appel candidat d’une seule tête enseignante, 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 ».