Bibliographic record
Abstract
Chaque jour, les prestataires de soins de santé doivent prendre en charge un large éventail de problèmes de santé, parmi lesquels les maladies infectieuses, les maladies chroniques et les maladies et blessures mettant en jeu la vie du patient. Les maladies cardiovasculaires (y compris les crises cardiaques et les accidents vasculaires cérébraux, entre autres) et les différents types de cancers font partie des problèmes de santé les plus répandus et les plus graves au sein de la zone OCDE. Il s’agit, de loin, des deux principales causes de décès dans les pays de l’OCDE : les différentes maladies cardiovasculaires et les différents types de cancers sont à l’origine, respectivement, d’environ le tiers et le quart de l’ensemble des décès. S’il est peut-être possible de réduire la survenance des problèmes cardiovasculaires et des cancers en redoublant d’efforts de prévention (dans le cadre de la lutte contre la consommation de tabac, par exemple), les systèmes de santé ont un rôle majeur à jouer dans la détection précoce de ces problèmes de santé et dans la fourniture rapide de traitements efficaces quand ces problèmes sont diagnostiqués.
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 | 0.010 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.068 | 0.015 |
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".