for registered nurses. Ottawa: The Association; 2002. Available: cna-aiic.ca/CNA/documents/pdf
Notice bibliographique
Résumé
Editor’s note: This letter writer’s name and affiliation have been withheld at our request and with the letter writer’s consent to protect the privacy of all concerned. Treatment of mental illness in India I read with interest the article by Stephen Kisely and colleagues on in-equitable access for mentally ill pa-tients to some medically necessary pro-cedures.1 In India, the prevalence of major mental and behavioural disor-ders is estimated to be 65 per 1000 pop-ulation, which translates to 70 million patients.2,3 India’s ability to treat, care for and rehabilitate mentally ill patients leaves much to be desired. Mentally ill people are almost never taken seriously; they are treated with little or no dignity and are often locked away.4 There is only 1 trained psychiatrist for every 100 000 people with a mental illness. Most (75%) mentally ill patients live in vil-lages, where access even to basic health care is difficult. Half (53%) of the state-run psychiatric hospitals do not have a rehabilitation program. The country’s mental health budget does not exceed 1 % of total health ex-penditures. The National Mental Health Programme was implemented to provide services to rural as well as urban populations, but 80 % of people in rural areas cannot access its services. Health and labour policy-makers, in-surance companies and the general public all discriminate between physi-cal and mental health problems. Men-tally ill patients are being systematically and continuously ignored and denied the social rights they deserve.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,594 | 0,683 |
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 ».