Bibliographic record
Abstract
Le cancer est actuellement la seconde cause principale de mortalité dans les pays développés et parmi les trois causes les plus importantes de décès chez les adultes dans les pays en voie de développement. Selon la plus récente prévision (avril 2003) de l’Organisation Mondiale de la Santé, le taux global de cancer augmentera de 50%, pour passer de 10 millions en 2000 à 15 millions en 2020. Au début de ce siècle, le cancer est prévu devenir la première cause de mortalité au Canada et aux États-Unis. Parmi les facteurs responsables de cette tendance figurent le vieillissement de la population, la prévalence du tabac et l’adoption de styles de vie malsains (ex: la diète occidentale) dans les pays en voie de développement. Depuis les années 1930, la plupart des provinces canadiennes ont fondé des organismes gouvernementaux consacrés à la prévention, au diagnostic et au traitement du cancer. Bien que les programmes de contrôle du cancer varient, des composantes similaires s’y retrouvent: programme d’éducation publique visant la prévention et le diagnostic précoce; triage des patients à hauts risques; aménagements centralisés (cliniques du cancer) pour l’évaluation et le traitement; et recherches dans la biologie et le traitement du cancer chez l’humain.
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 | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.006 | 0.009 |
| Scholarly communication | 0.009 | 0.005 |
| Open science | 0.001 | 0.008 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.012 | 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".