Sensibiliser au lupus érythémateux disséminé (LED) : résultats du programmathon Waterlupus
Bibliographic record
Abstract
Introduction Une littérature scientifique de plus en plus volumineuse démontre les avantages à faire participer les utilisateurs de connaissances aux différentes phases du processus de recherche. Nous avons mobilisé une équipe d’intervenants d’horizons variés pour réaliser un programmathon dans le cadre d’un processus d’application des connaissances intégrée (ACi) destiné à élaborer des interventions non pharmacologiques afin d’améliorer la vie des personnes atteintes de lupus érythémateux dissé miné (LED). Notre recherche visait (1) à améliorer la compréhension des défis économiques à vivre avec le LED, au moyen de la participation d’intervenants à un programmathon en recherche, (2) à étudier les interventions possibles pour améliorer la vie économique des personnes affectées par le LED au Canada et (3) à consigner les résultats du programmathon Waterlupus. Méthodologie Ce programmathon, qui a eu lieu à l’Université de Waterloo en mai 2019, a réuni des représentants d’organismes de défense des personnes atteintes de lupus, des chercheurs, des médecins, des étudiants et des personnes ayant une expérience de vie avec la maladie. Nous avons procédé à l’observation des participants, avec leur consentement, puis nous avons réalisé une analyse qualitative des notes du programmathon afin d’en consigner les résultats. Résultats Au terme de ce programmathon de 28 heures, cinq équipes ont présenté des interventions non pharmacologiques pour relever certains des défis économiques à vivre avec le LED. L’exposé de l’équipe gagnante a porté principalement sur une meilleure accessibilité à des vêtements à prix abordable qui protègent contre le soleil. Parmi les autres résultats du programmathon Waterlupus, comptons la sensibilisation au LED chez les participants et les occasions de réseautage professionnel et informel. Conclusion Cet article contribue à la littérature, rare, sur les programmathons liés à la santé. Les résultats fructueux du programmathon Waterlupus mettent en évidence la valeur des programmathons en tant qu’outil d’ACi. L’une des prochaines étapes importantes de la recherche portera sur la manière dont les utilisateurs de connaissances perçoivent les programmathons.
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 | 0.005 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.001 |
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".