Virtuelle Medizin in der Behandlung von Sucht in den USA, Kanada und darüber hinaus
Bibliographic record
Abstract
Zusammenfassung Insbesondere während der aktuellen Corona-Pandemie hat der Gebrauch virtueller Lösungen in der Medizin international stark zugenommen. Es gibt eine zunehmende Akzeptanz gerade auch in dem Bereich der hausärztlichen Versorgung, der Behandlung psychischer Störungen und der Abhängigkeitserkrankungen. Die Entwicklung ist international unterschiedlich, v. a, wenn man die USA und Kanada auf der einen Seite und Europa, insbesondere Deutschland, andererseits vergleicht. In Nordamerika hat bei dem Einsatz von moderner Technologie die Einführung von „Electronic Medical Record Systems“ eine dominierende Rolle gespielt. Diese ist insbesondere auf Abrechnung und Dokumentation zu Versicherungszwecken fokussiert. Daneben gibt es zunehmend Apps, die spezifische therapeutische Ansätze zu implementieren helfen. Die Anwendung virtueller Ansätze im Suchtbereich ist begrenzt, aber in Teilen sehr innovativ und auf deutsche Verhältnisse anwendbar. Wie in Europa gibt es auch in Nordamerika nur sehr begrenzte Forschungskapazitäten und prinzipiell Widerstand bei den medizinischen Berufsgruppen bezüglich der Anwendungsmöglichkeiten und der Rolle im Behandlungsprozess. Mehr Kooperation würde international zu einer Beschleunigung der Entwicklung und der Etablierung gemeinsamer Standards beitragen sowie die Behandlungssysteme bedeutend verbessern.
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 | 0.006 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.023 | 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".