Validation d'un rappel de 24 heures web dans une population de femmes enceintes
Bibliographic record
Abstract
La grossesse est depuis longtemps reconnue comme étant déterminante de la santé future de la mère et de l’enfant. Durant cette période, la qualité de l’alimentation de la mère peut jouer un rôle important dans le déroulement de la grossesse. D’ailleurs, durant cette période, des apports alimentaires jugés inadéquats ont souvent été associés à un risque élevé de développer certaines complications, telles que le diabète gestationnel. L’étude des associations existant entre l’alimentation et des variables de la santé peut cependant être affectée par une évaluation imprécise des apports alimentaires réels des femmes enceintes. Le rappel de 24 heures administré à de multiples reprises a le potentiel d’évaluer de façon précise l’alimentation des femmes enceintes, mais sa version traditionnelle est souvent critiquée en raison du temps qu’elle nécessite ainsi que des nombreux biais induits par la présence d’un interviewer. Pour pallier ce problème, de nouvelles méthodes d'évaluation alimentaire standardisées et complètement automatisées ont été développées. Ces dernières se sont avérées valides dans la population générale, cependant, la précision de ces outils n’a été étudiée que très rarement auprès des femmes enceintes. Le présent mémoire évalue la validité du R24W, un outil Web de rappel de 24 heures, au sein d’une population de femmes enceintes. Éventuellement, cette validation permettra l’utilisation de cet outil dans le cadre d’études épidémiologiques durant la grossesse ainsi que dans la prise en charge nutritionnelle des femmes enceintes.
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 | 0.036 | 0.089 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
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".