Closing the knowledge gap: identifying research priorities 1for firearm-related injury and mortality in Canada
Notice bibliographique
Résumé
INTRODUCTION: Firearm-related injury and death are leading yet preventable causes of premature death in Canada. Our objective was to identify knowledge gaps and research priorities to inform a national research agenda to prevent firearm-related injury and death. METHODS: In a two-stage process, nominal group technique was used to encourage experts in firearm injury and death (N = 15) to generate ideas relevant to knowledge gaps in three areas: unintentional firearm injury, intimate partner violence (IPV)/femicide and other firearm-related assaults. Relevant parties (N = 43) subsequently voted on the identified gaps to determine top priorities for future research. RESULTS: In Stage 1, the experts identified 22 knowledge gaps in unintentional firearm injury, 16 in IPV-related firearm injury/femicide and 33 in other assault-related firearm injuries. Based on their importance and feasibility as research projects, they then selected five, three and seven, respectively, of these knowledge gaps. In Stage 2, the top priorities for future research emerged: the economic cost of firearm injuries to victims' families and communities and Canadian society; the impact of social policies and legislation aimed at reducing IPV/femicide-related firearm injuries and deaths; and a description of the available and required Canadian firearm-injury data. CONCLUSION: The top priorities highlight the large and diverse gaps in knowledge about firearm injury and death in Canada. This marks the first step toward developing a national research agenda for firearm-related injuries. Next steps include operationalizing these gaps into research questions, identifying data sources and methodological approaches, and choosing knowledge translation strategies.
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 | 0,004 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».