Les promesses de la navigation virtuelle dans les soins du cancer : perspectives des patients et des fournisseurs de soins de santé
Bibliographic record
Abstract
La navigation virtuelle (NV) dans le domaine des soins de santé est un processus proactif par lequel les patients obtiennent de l’information et du soutien grâce à des ressources sur Internet afin de gérer les exigences découlant de leur maladie. L’objectif de la présente analyse était d’explorer les points de vue convergents et divergents des principaux intervenants, c’est-à-dire les patients atteints de cancer et les fournisseurs de soins de santé (FSS), au sujet de l’outil de NV Oncology Interactive Navigator (OIN MC ), conçu spécialement pour les patients atteints de cancer. Une analyse qualitative secondaire a été réalisée dans le but de combiner des ensembles de données recueillies dans le cadre de deux études précédentes qui exploraient les points de vue des patients sur la NV (étude 1, n = 20) et des FSS (étude 2, n = 13). Une approche inductive a été utilisée pour examiner les opinions convergentes et divergentes au sein des groupes. Les conclusions présentent les similarités et les différences entre les points de vue des patients et des FSS, ainsi que le processus à adopter pour utiliser de manière optimale les innovations de la navigation virtuelle dans les soins du cancer.
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 | 0.026 | 0.057 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| 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".