Sjømat og helse – marin næringsutvikling og kompetansebygging.Statusrapport 2009
Bibliographic record
Abstract
Prosjektet består av tre hovedaktiviteter. I delprosjekt (a) er det gjennomført to dyreforsøk for å evaluere om proteinkomponenter fra torsk har en forebyggende effekt mhp. type 2 diabetes (T2D). Resultatene viste at torskeproteinene ikke hadde en beskyttende effekt, et resultat som divergerte med tilsvarende studier utført av samarbeidspartnerne i Canada. Årsaken til dette skyldes trolig ulike fremstillingsprosedyrer av torskeproteinene og det antas at enkelte biologisk aktive komponenter har gått tapt under fremstillingen av foret til forsøkene som er utført i Tromsø. I delprosjekt (b) er det samlet inn epidemiologiske data fra to regioner i Russland, med formål å sammenligne fiskekonsum og forekomsten av T2D og hjerte- og karsykdommer i de ulike befolkningsgrupper. Første del av datasettet er analysert og resultatene viste at det var store forskjeller i sosioøkonomisk status og fiskekonsum i de to russiske regionene. I delprosjekt (c) er det gjennomført et dyreforsøk for å evaluere om industriell prosessering påvirker helsegevinsten av sjømatkonsum. Reker ble valgt som råstoff siden de gjerne gjennomgår en omfattende prosessering og mister mange biologisk aktive komponenter under produksjonsprosessen. Noe overraskende viste rå reker seg å gi forhøyet grad av åreforkalkning og redusert vekst sammenliknet med prosesserte reker og kontroll. Det er satt i gang undersøkelser for avklare om dette skyldes ulik grad av fordøyelighet mellom råstoffene.
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 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.197 | 0.079 |
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".