Inaugural Artificial Intelligence for Public Health Practice (AI4PHP) Retreat: Ontario, Canada
Notice bibliographique
Résumé
The Artificial Intelligence (AI) for Public Health Practice Retreat was a hybrid event held in October 2022 in London, Ontario to achieve three main goals: 1) Identify both the goals of public health practitioners and the tasks that they undertake as part of their practice to achieve those goals that could be supported by AI, 2) Learn from existing examples and the experience of others about facilitators and barriers to AI for public health, and 3) Support new and strengthen existing connections between public health practitioners and AI researchers. The retreat included a keynote presentation, group brainstorming exercises, breakout group activities, case studies, and interspersed breaks for networking and reflection. There were 38 attendees from across Ontario, and a guest speaker from New York. Major themes that emerged from discussions included the need for greater attention to AI applications in public health given the potential benefits and enthusiasm; rigorous data collection, data quality, and data accessibility as a foundational factor that needs urgent attention; and the need for an equitable systems-thinking approach to AI amidst the breadth of public health functions, interventions, and population-based applications. Attendees expressed a desire for continued engagement and collaboration between public health practice and AI researchers.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,012 | 0,002 |
| Communication savante | 0,007 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,088 | 0,010 |
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 ».