Enquête canadienne sur le tabac et la nicotine : fichier de microdonnées à grande diffusion
Bibliographic record
Abstract
Le fichier de microdonnées à grande diffusion (FMGD) de l’Enquête canadienne sur le tabac et la nicotine (ECTN) fournit des renseignements qui serviront à combler d'importantes lacunes en matière de données sur le vapotage et sur l'usage du cannabis et du tabac. Les données contribueront à l'élaboration de politiques et fourniront un portrait de la consommation partout au Canada. Jusqu'en 2017, Statistique Canada menait l'Enquête canadienne sur le tabac, l'alcool et les drogues (ECTAD). Cette enquête permettait de recueillir des données sur le tabac ainsi que sur l'alcool et les drogues. En 2019, l'Enquête canadienne sur l'alcool et les drogues (ECAD) a été menée afin de collecter des données sur l'alcool et les drogues indépendamment de l'Enquête canadienne sur le tabac et la nicotine (ECTN) qui a été menée principalement afin de collecter des données sur le tabac et la nicotine. Ce produit comprend de nombreuses mesures de protection permettant d’empêcher l’identification de toute personne ou de tout ménage en particulier. Le FMGD de l’ECTN est destiné aux utilisateurs qui préfèrent réaliser leur propre analyse et qui s'intéressent à des sous-groupes particuliers de la population ou qui désirent effectuer des recoupements de variables.
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 | 0.020 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.018 | 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".