Health and Social Science Data—The Need to Reform Canada's Research Infrastructure
Bibliographic record
Abstract
La collecte, la conservation et l'analyse des données sont fondamentales pour la recherche de pointe en sciences sociales et en santé. Malgré le rôle joué par Statistique Canada et l'Institut canadien d'information sur la santé (ICIS), les données importantes sont beaucoup trop cloisonnées au sein des provinces. Il est impossible d'entreprendre des analyses critiques, car les structures de financement de la recherche au Canada sont insuffisantes pour fournir un soutien à une échelle acceptable. Le Comité consultatif sur le système fédéral de soutien à la recherche a abordé certaines de ces questions en 2022, qui ont ensuite fait partie du budget fédéral de 2024 et du programme électoral du Parti libéral du Canada pour 2025. Cependant, il n'est pas certain que les initiatives de réforme à venir seront suffisantes. Le présent document présente un certain nombre de cas d'utilisation qui montrent l'énorme potentiel dans des domaines qui ont toujours été confrontés à de sérieux défis, en partie en raison des limites des structures actuelles de financement de la recherche. Enfin, il soutient que l'infrastructure de données en sciences de la santé et en sciences sociales doit être reconnue comme une « grande science » au même titre que les accélérateurs de particules et les grands télescopes.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.005 |
| Science and technology studies | 0.007 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".