Cidade saudável: relato de experiência na coleta e disseminação de informação sobre determinantes de saúde
Bibliographic record
Abstract
Para entender o que é a saúde de uma cidade é necessário utilizar uma grande variedade de técnicas, que vão desde a construção de indicadores de saúde de caráter "objetivo" e quantificáveis até a aplicação de instrumentos de abordagem qualitativa, que permitam conhecer de forma mais aprofundada e contextualizada as percepções e os desejos dos cidadãos da cidade. Este artigo tem o objetivo de descrever a experiência de mensuração contínua de determinantes de saúde, como estratégia para adquirir e disseminar informações para que a cidade de Calgary (Canadá) se tornasse um Município Saudável. Nesta cidade, alguns indicadores foram obtidos a partir de dados secundários. Para os indicadores com dados primários, foram elaboradas questões por sugestão de profissionais do sistema de saúde, validadas em grupos focais formados por pessoas da comunidade. Esse processo teve início em 1994 e o primeiro grande inquérito de determinantes de saúde em nível federal no Canadá foi realizado em 1996, e, desde então, repete-se a cada dois anos. A iniciativa municipal até hoje procura aproximar líderes comunitários, profissionais de serviços, universidade e governantes. Como integrantes de uma equipe de professores universitários que estuda a possibilidade de aplicação de um modelo semelhante em um município de Santa Catarina, e com base nas Políticas Públicas do Brasil voltadas à Promoção da Saúde, os autores têm a perspectiva de participar de iniciativas que divulguem informações acerca do modelo de construção de indicadores desenvolvido naquela experiência.
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 | 0.007 | 0.016 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.007 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".