Ervaringen met de organisatie van een OPEN beleid in Nederlandse ziekenhuizen: Verslag en resultaten van handelingsonderzoek
Bibliographic record
Abstract
Wat werkt nu écht, als je open en eerlijk wilt reageren wanneer er iets mis gaat bij de behandeling van een patiënt? Deze vraag staat centraal in fase III van het onderzoeksprogramma van het Leernetwerk OPEN voor ziekenhuizen, die op 30 november van start is gegaan. In OPEN I en II stonden terreinverkenning en het analyseren van ‘goede praktijken’ wat betreft open handelen centraal. OPEN III biedt deelnemende ziekenhuizen scholing over open handelen en open evalueren over het eigen handelen. De Vrije Universiteit, het Amsterdam UMC/locatie AMC en het Nivel zijn samen met 28 ziekenhuizen de derde fase van OPEN gestart. \n\nOpen in de zorg\n In 'Open in de zorg' zetten het OPEN Leernetwerk en Fonds Slachtofferhulp zich in voor meer openheid, erkenning, goede hulp en schadevergoeding voor gedupeerden van een medisch incident. Ook voor betrokken artsen en zorgverleners is een medisch incident vaak heel ingrijpend. We luisteren naar de behoeften van gedupeerden en zetten deze om in concrete initiatieven.
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 | 0.018 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.009 | 0.009 |
| Scholarly communication | 0.019 | 0.018 |
| Open science | 0.003 | 0.018 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.033 | 0.003 |
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".