Élaboration d’une ressource d’information à l’intention des survivantes d’un cancer gynécologique et de leurs proches aidants : exposé sur le vécu et les méthodes
Bibliographic record
Abstract
Le présent article fait ressortir la nécessité de mieux informer les survivantes de cancer gynécologique (CG) et leurs proches aidants. Il vise à décrire le partenariat établi entre les patientes, les cliniciens et les chercheurs pour concevoir une ressource d’information fondée sur l’expérience et les données probantes. L’élaboration de cette ressource d’information a fait appel à plusieurs méthodes de recherche. Elle s’est déroulée en cinq étapes : 1) réunion de l’expertise nécessaire; 2) revue de la littérature; 3) ébauche de la ressource; 4) mise à l’essai; 5) diffusion de la ressource. La diversité des partenaires apportait l’expertise nécessaire à l’utilisation de multiples méthodes de recherche ayant produit des résultats utiles à chaque étape. Grâce à cette combinaison (partenariat diversifié et multiples méthodes de recherche), on a élaboré une ressource utile pour répondre à un manque observé par les utilisateurs des connaissances. La combinaison des caractéristiques décrites dans le présent article vient combler une lacune dans la procédure utilisée par les cliniciens et les chercheurs désireux d’élaborer des ressources d’information fondées à la fois sur l’expérience et la pratique.
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 | 0.083 | 0.137 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.003 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| 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; 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".