Clustering of Regions of the Far East by the Level of Health Determinants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The aim of the study is to cluster the Far Eastern regions according to the level of their key health determinants, considering demographic, socioeconomic, environmental, and behavioral factors that are specific to each region. The study’s relevance is due to ongoing demographic crises and the pronounced differentiation between regions in terms of key demographic indicators. The methodology included multivariate statistical analysis using t-Distributed Stochastic Neighbour Embedding (t-SNE), k-means clustering, fuzzy-means clustering and self-organized maps, as well as correlation analysis. Clustering of the Far Eastern Federal District’s subjects was performed based on their health determinant levels. Classical and modern approaches were considered as a theoretical basis for defining and assessing these determinants, including international experiences (WHO, the Ottawa Charter), and domestic research. As a result, regions were clustered into groups with different health determinant structures and levels. Key internal and external factors affecting population health were identified. Scientific novelty lies in using a combination of modern clustering methods to normalize indicators, analyze fuzzy affiliations of regions to groups, visualize multivariate data, identify topological relationships between groups, and assess clustering quality using the silhouette coefficient. The use of neural networks and fuzzy logic classification methods significantly improves data analysis quality and clustering results. Practical significance lies in applying the resulting clusters to targeted regional policies, such as targeted resource allocation for prevention programs, improved infrastructure, and monitoring public health systems.
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.
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 | 0,032 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle