Le Centre de collaboration nationale des méthodes et outils (CCNMO) : soutenir la prise de décisions fondée sur des données probantes en santé publique au Canada
Bibliographic record
Abstract
Le Centre de collaboration nationale des méthodes et outils (CCNMO) fait partie d’un réseau de six centres de collaboration nationale en santé publique (CCN) créé en 2005 par le gouvernement fédéral à la suite de l’épidémie de syndrome respiratoire aigu sévère (SRAS) afin de renforcer l’infrastructure de la santé publique au Canada. Le travail du CCNMO, qui vise à soutenir la prise de décisions fondée sur des données probantes dans le domaine de la santé publique au Canada, est accompli par l’organisation des données probantes dignes de confiance, le renforcement des compétences dans l’utilisation des données probantes, et l’accélération du changement dans la prise de décisions fondée sur des données probantes est décrit. La consultation permanente auprès de ses publics cibles garantit la pertinence du CCNMO et sa capacité à répondre à l’évolution des besoins en matière de santé publique. Cela s’est avéré particulièrement crucial lors de la pandémie de maladie à coronavirus 2019 (COVID-19). Le CCNMO a alors modifié la direction de ses activités pour soutenir l’intervention de la santé publique en effectuant des revues rapides sur les questions prioritaires identifiées par les décideurs, à l’échelle fédérale ou à l’échelle locale, ainsi qu’en créant et en maintenant un répertoire national de synthèses en cours ou terminées. Ces efforts, ainsi que le partenariat avec le COVID-19 Evidence Network to support Decision-Making (COVID-END), visaient à réduire les doublons, à accroître la coordination des efforts de synthèse et à aider les décideurs à utiliser les meilleures données probantes dont on dispose dans la prise de décisions. Les données tirées des statistiques du site Web illustrent le succès de ces initiatives au Canada et à l’étranger.
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 | 0.389 | 0.516 |
| Meta-epidemiology (narrow) | 0.002 | 0.003 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.009 | 0.011 |
| Science and technology studies | 0.012 | 0.009 |
| Scholarly communication | 0.029 | 0.006 |
| Open science | 0.009 | 0.018 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.015 | 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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".