Défavorisation et hospitalisations pour blessures non intentionnelles chez les enfants québécois
Bibliographic record
Abstract
Les blessures affectent d'une manière disproportionnée les enfants des milieux défavorisés. La présente étude examine les liens entre les dimensions matérielle et sociale de la défavorisation et les hospitalisations pour les cas de blessures chez les enfants québécois âgés de 14 ans et moins au cours de la période 2000-2004. Les données d'hospitalisations proviennent du fichier québécois Med-Écho, tandis que les caractéristiques socio-économiques des individus ont été estimées sur la base des plus petites unités géographiques pour laquelle les données du recensement canadien sont diffusées. Des risques relatifs d'hospitalisation ont été calculés pour sept catégories de traumatismes non intentionnels à l'aide de la régression de Poisson. Au total, 24 540 hospitalisations pour blessures ont été examinées. Chez les enfants, les risques d'hospitalisation sont associés aux deux dimensions de la défavorisation. Les mécanismes de traumatismes suivants sont clairement associés aux deux dimensions de la défavorisation : traumatismes aux piétons et aux occupants de véhicule à moteur et blessures liées aux brûlures et aux intoxications. Ces inégalités devraient être considérées dans l'élaboration de mesures préventives.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| 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) | 0.005 | 0.000 |
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".