Benefits and challenges of communicating long-term data in public health, SSPH+ Workshop - Final Report
Notice bibliographique
Résumé
Over the past 150 years, there have been major improvements in the health and wealth of populations across the world, supported partly by progress in public health. In the context of recent crises (COVID-19 pandemic, climate change, …) and infodemic, pessimistic narratives about the population health status are spreading, overshadowing these achievements and weakening trust in scientific and evidence-based institutions. We gathered population health scientists, policymakers and communication experts to demonstrate the benefits of using and communicating long-term data in population health surveillance, and to discuss the challenges arising from such data. The benefits of communicating long-term public health data include illustrating sustained progress across populations andtime, revealing trends, identifying emerging problems, uncovering disparities and guiding resources. Participants of the workshop discussed many challenges encountered when communicating long-term data in public health: the uncertainty and missing values inherent to these data, the dynamic nature of such data, the current era of infodemic and the need to tailor messages for different audiences with different levels of expertise. To tackle these challenges, we discussed the importance of transparency, of building and maintaining trust in scientific and evidence-based institutions, and of communicating adequately by tailoring messages to the target audience, providing context, and delivering clear key messages.
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 | 0,040 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,008 |
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 ».