Bibliographic record
Abstract
Une bonne alimentation peut-elle nous aider a mieux vieillir? La recherche menee au cours des quarante dernieres annees nous incite fortement a le croire. En effet, un nombre important de travaux indiquent qu’une alimentation variee et equilibree favorise le maintien des fonctions physiologiques et contribue a l’autonomie et au bien-etre des personnes jusqu’a un âge avance. Par ailleurs, la grande majorite des desordres observes au cours du vieillissement – l’osteoporose, le diabete et l’hypertension, par exemple – sont lies a des questions de nutrition. Cet ouvrage se consacre a l’etude de la relation complexe entre alimentation et vieillissement en analysant en detail le profil alimentaire des aines et leurs besoins nutritionnels. On y presente notamment: • les problemes nutritionnels frequents chez les personnes âgees, comme la denutrition, la deshydratation ou la dysphagie ; les notions de base necessaires a la comprehension des particularites nutritionnelles inherentes au vieillissement ; • les facteurs susceptibles d’influer sur les apports nutritionnels ; • l’evaluation nutritionnelle ; • les nouvelles recommandations nutritionnelles en ce qui a trait notamment a l’energie, aux macronutriments, a l’eau, etc. ; • le nouveau Guide alimentaire canadien ; les composes alimentaires exercant des actions importantes sur l’organisme. • et un tout nouveau chapitre sur les profils alimentaires des aines canadiens et quebecois. En somme, ce livre est une veritable reference pour les etudiants en gerontologie et plus largement pour toutes les personnes qui se preoccupent de nutrition liee au vieillissement. Guylaine Ferland est professeure titulaire au departement de nutrition de la Faculte de medecine de l’Universite de Montreal et chercheure a l’Institut universitaire de geriatrie de Montreal et a l'Hopital du Sacre-coeur a Montreal.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.045 | 0.008 |
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".