La cochrane en médecine d’urgence et en réanimation : activités et adaptation pendant la pandémie COVID-19
Bibliographic record
Abstract
Les activités de la Cochrane sont polymorphes et reposent toutes sur le volontariat de personnes scientifiquement indépendantes. L’approche traditionnelle de diffusion de la connaissance basée sur la publication de revues systématiques Cochrane n’est pas suffisante, en particulier en médecine d’urgence et en réanimation. Une démarche de Knowledge Translation (KT) est indispensable. Le réseau des soins aigus et d'urgence de la Cochrane est particulièrement engagé dans cette activité via le review group Cochrane Emergency and Critical Care, qui produit des revues systématiques ciblées sur les malades en soins critiques et via le field Cochrane Pre-hospital and Emergency Care qui assure la diffusion de l’information médicale produite par la Cochrane et recense les priorités scientifiques liées au terrain. Cet article expose la méthodologie utilisée par les deux groupes car elle est standardisée et articule des étapes individuelles et collectives (pour la rédaction des revues systématiques comme pour le travail de priorisation). Une démarche active d’optimisation de la connexion entre production scientifique et terrain est indispensable dans des situations sanitaires d’exception (SSE) comme la pandémie COVID-19. Une démarche « d’Integrated Knowledge Translation » (IKT) s’est mise en place pour compléter les activités traditionnelles des groupes. Cet article fait le point sur les adaptations opérées dans ce contexte scientifique particulier. Rendre transparente la méthodologie de travail des deux groupes Cochrane permet d’assurer leur fiabilité scientifique, y compris en SSE. Cette transparence permet également de proposer un modèle de fonctionnement reproductible dans d’autres secteurs qui nécessitent une démarche de KT et d’IKT.
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 | 0.087 | 0.231 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.011 | 0.011 |
| Science and technology studies | 0.003 | 0.008 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.005 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 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".