IASO Policy Briefing The prevention of obesity and NCDs: Challenges and opportunities for governments
Notice bibliographique
Résumé
The prevention of obesity and NCDs: challenges and opportunities for governments “World Health Organization data show that rates of obesity nearly doubled in every region of the world from 1980 to 2008. Worldwide, one in three adults has raised blood pressure. One in ten adults has diabetes. These are the diseases that tax health systems to the breaking point. These are the diseases that break the bank. These are the diseases that can cancel out the gains of modernization and development. These are the diseases that can set back poverty alleviation, pushing millions of people below the poverty line each year.” Margaret Chan, Director General, World Health Organization, May 2012 The major non-communicable diseases (NCDs) – cancer, cardiovascular disease, diabetes and chronic pulmonary disease now account for more than 36 million deaths (65 % of all deaths) every year. Most of these deaths occur in low- and middle-income countries, almost a quarter of which occur in people under age 60 years. 1 By 2030, NCDs are expected to cause for four times as many deaths as the combined figure for infectious diseases, and maternal, perinatal and malnutritionrelated conditions. 2 Tobacco, alcohol, poor diets and sedentary behaviour lie behind much of the disease burden. The rapid rise in obesity prevalence worldwide indicates that diet and lack of
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 | 0,019 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,017 | 0,009 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,048 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,017 |
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 ».