The Canadian Geospatial Data Infrastructure and health mapping
Bibliographic record
Abstract
A cause de l’épidémie récente de SARS et du danger de grippe aviaire pandémique, la capacité de renforcer la surveillance et les contrôles médicaux est un besoin croissant parmi les gouvernements. Le développement de l’Infrastructure de Données Géospatiales Canadienne (IDGC) a montré un grand potentiel dans de nombreuses applications comme la gestion des urgences, la santé publique, les secours aux victimes de désastres, l’évaluation des impacts environnementaux, les transports et les systèmes d’information sur le territoire. Dans cet article, notre but est d’identifier l’utilisabilité de l’IDGC comme support de la cartographie médicale sur le Web et de l’utiliser à cette fin. Pour identifier l’utilisabilité de l’IDGC pour la cartographie médicale, nous avons employé neuf métriques d’utilisabilité. Nous avons aussi conçu une architecture logicielle (basée sur l’IDGC) de support des fonctions de base pour la cartographie médicale, et implanté une simulation de maladies infectieuses pour le Nouveau-Brunswick et le Maine. Dans le cadre de l’IDGC, cette recherche a permis la visualisation, l’intégration et le partage des données de santé transfrontalières ainsi que l’exploration des tendances spatio-temporelles de l’épidémie d’une maladie infectieuse grâce à des cartes thématiques. Une évaluation de la matrice d’utilisabilité des composants de l’IDGC (données cadre nationales, politiques de données communes, standards techniques, et technologies de développement) basée sur l’expérience des développeurs et les réactions des utilisateurs, a été explorée en utilisant cette application de cartographie médicale transfrontalière. L’utilisation de l’IDGC dans les applications médicales a un grand potentiel de support de l’intégration et du partage effectifs et sécuritaires des données médicales. L’enrichissement de l’IDGC rendrait encore plus facile le partage des données et améliorerait l’efficacité et l’efficience de la prise de décision.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.017 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".