Bewaking van de vaccinveiligheid in België
Bibliographic record
Abstract
Bewaking vaccinveiligheid 1 VOORWOORDHet menselijke brein is niet zo sterk in het omgaan met probabiliteiten.Zeker niet als het om zeldzame of extreem zeldzame verschijnselen gaat, zo leren ons de studies van psychologen.Of het nu om een kans van één op vijfduizend gaat, of één op vijfhonderdduizend, het maakt niet zoveel verschil: van zodra we ons min of meer levendig kunnen voorstellen hoe het zou zijn als het ons overkwam, gaan we de waarschijnlijkheid grof overschatten.Zeker wanneer het gaat om een of andere calamiteit die we ten allen prijzen willen vermijden.Van dat laatste maakt de verzekeringssector overigens gretig gebruik.Sommige preventiemaatregelen blijken hiervoor bijzonder gevoelig te zijn, met de vaccinaties als frappant voorbeeld.Bij elke (nieuwe) vaccinatiecampagne duiken wel ergens sterk gemediatiseerde 'slachtoffers' van het vaccin op, met vaak vrij drastische gevolgen op de uiteindelijke dekkingsgraad van het vaccin.Het heeft geen zin op de pianist te schieten -de media volgen in deze hun eigen logica.Evenmin moet men ten strijde trekken tegen sommige uitwassen waarbij heuse complottheorieën worden verzonnen.De overheid heeft gewoon de plicht om -wanneer zij een preventieve maatregel ondersteunt -ook alle mogelijke garanties te bieden dat dit geen onredelijke risico's inhoudt, en dat de voordelen ruim opwegen tegen de potentiële nadelen of complicaties.Eigenlijk heb je hier drie elementen voor nodig: (1) je moet kunnen detecteren wanneer bepaalde problemen abnormaal frequent worden.Daarvoor moet je (2) weten wat de normale frequentie (de background rate in het jargon) is in een niet aan het vaccin blootgestelde bevolking.En (3) uiteraard moet je ook weten wie blootgesteld is.Gemakkelijker gezegd dan gedaan, want het gaat om zeldzame verschijnselen.De specifieke vraag die ons vanuit het Federaal Agentschap voor Geneesmiddelen en Gezondheidsproducten werd gesteld is om na te gaan in hoeverre België een adequaat antwoord heeft op de tweede uitdaging, namelijk het berekenen van achtergrondcijfers.Kan een klein land als België hier überhaupt zinvolle cijfers bekomen, of moeten we radicaal de Europese kaart trekken.De antwoorden zijn wat genuanceerder.Het laatste woord is hiermee zeker niet gezegd, maar wij hopen toch een steentje bij te kunnen dragen in deze maatschappelijk belangrijke kwestie.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 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".