Courtage de connaissances sur les maladies infectieuses pour la santé publique
Bibliographic record
Abstract
Les Centres de collaboration nationale (CCN) en santé publique (CCNSP) ont été établis en 2005 dans le cadre de l’engagement du gouvernement fédéral à renouveler et à renforcer la santé publique à la suite de l’épidémie du syndrome respiratoire aigu sévère (SRAS). Ils ont été mis sur pied pour appuyer l’application des connaissances en vue d’une utilisation plus opportune de la recherche scientifique et d’autres connaissances dans les pratiques, les programmes et les politiques de santé publique au Canada. Six centres composent les CCNSP, dont le Centre de collaboration nationale des maladies infectieuses (CCNMI). Le CCNMI collabore avec des professionnels de la santé publique pour trouver, comprendre et utiliser des recherches et des données probantes sur les maladies infectieuses et les déterminants de la santé associés. Le CCNMI a pour mandat de forger des liens entre ceux qui génèrent et ceux qui utilisent les connaissances sur les maladies infectieuses. À titre de premier article d’une série sur le CCNSP, nous décrivons notre rôle dans le courtage de connaissances et les nombreuses méthodes et produits que nous avons élaborés. De plus, nous illustrons comment le CCNMI a été en mesure de travailler avec la santé publique pour générer et échanger des connaissances pendant la pandémie du coronavirus de 2019 (COVID-19).
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 | 0.049 | 0.093 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.008 | 0.007 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.002 | 0.012 |
| Research integrity | 0.003 | 0.007 |
| Insufficient payload (model declined to judge) | 0.015 | 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".