MétaCan
Menu
Back to cohort
Record W7032157563

Turku

2017· book-chapter· it· W7032157563 on OpenAlexaboutno aff

Bibliographic record

VenueUnicam Scientific Publications (University of Camerino) · 2017
Typebook-chapter
Languageit
FieldBiochemistry, Genetics and Molecular Biology
TopicGenomics and Phylogenetic Studies
Canadian institutionsnot available
Fundersnot available
KeywordsPopulationNova scotiaDove
DOInot available

Abstract

fetched live from OpenAlex

Il territorio della Finlandia è collocato nella parte orientale della regione geografica chiamata Fennoscandia; oltre un terzo del suo territorio è a nord del Circolo Polare Artico e ciò fa del Paese uno degli stati più settentrionali al mondo. Si estende su una superficie di circa 338.424 kmq, di cui l’86% è occupato da foreste. Nel 2015 la popolazione finlandese era di circa 5.4 milioni con una densità di 18 ab/kmq, una delle più basse densità abitativa in Europa. La popolazione si concentra nel sud del paese e detiene il preoccupante primato della più alta percentuale di suicidi in Europa, e nel mondo è seconda solo agli Stati Uniti. Nel 1996 viene fondata la “Finnish National Healthy Cities Network”, formata da sette comuni, con lo scopo di migliorare la qualità della vita del- la popolazione finlandese attraverso la promozione della salute e la preven- zione delle malattie. I comuni partecipanti alla rete hanno preso parte al progetto “Health for All”, che sostiene L’implementazione delle politiche della salute a livello locale. La rete è stata lanciata per fornire alle città una piattaforma dove po- ter scambiare esperienze, sviluppare nuovi approcci e metodi di lavoro le- gati alla promozione della salute e del benessere tra i comuni e le sub- regioni. Oggi la rete è composta da 20 membri, di cui 16 comuni e 4 distretti; essa opera secondo una strategia di 4 anni e basa le proprie attività sugli obiettivi specifici indicati nel Piano di Azione per la promozione della Sa- lute (Terveyden edistàmisen toimintaohjelmaa 2015-2018). Particolare attenzione è rivolta alla pianificazione delle azioni e alla valutazione. Le città finlandesi che entrano nel network sono tenute a presentare una relazione sulla salute ogni anno e uno studio più dettagliato ogni 4 anni; il network è coordinato dall’Istituto Nazionale per la Salute e Welfare (THL) e coopera strettamente con l’Associazione Baltica Città Sane (Baltic Re- gion Healthy Cities Association), con sede a Turku, su tematiche legate al fumo, ciclismo, benessere nelle scuole e disuguaglianze sanitarie. I membri di questa associazione sono la città di Turku, l’Università di Turku, l’Abo Akademi University e l’istituto delle assicurazioni sociali della Finlandia. Turku è una delle principali città della Finlandia, quinta per popolazione e seconda tra le aree urbane del paese dopo la città di Helsinki con la sua area metropolitana. Capitale della Regione Sud-occidentale, situata alla foce del Fiume Aura, è la città più antica della nazione, sede della più antica Università finlandese. La città consolidata come oggi la conosciamo è l’effetto del piano rego- latore di cui la città si dotò subito dopo il 1827, quando fu distrutta da un grande incendio. La sfida che si è posta la città negli ultimi quindici anni è stata quella di trasformarsi in una città sana legata al benessere, seguendo le strategie del1’OMS. In questa direzione, sin dalla fine degli anni ottanta, Turku è di- venuta membro dell’Organizzazione Mondiale della Sanità Healthy City e coordinatore della rete Baltica delle città sane. Le azioni intraprese per il miglioramento della qualità della vita sono state principalmente legate alla partecipazione e alla conoscenza del benessere fisico, attraverso processi di comunicazione della sua dimensione “socializzante”. L’obiettivo più ambi- zioso della citta oggi, è quello di diventare una città riconosciuta, anche a livello internazionale per gli alti standard raggiunti di qualità della vita.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies
Consensus categoriesScience and technology studies
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Not applicable · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: Other
Teacher disagreement score0.902
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0020.003
Scholarly communication0.0000.000
Open science0.0020.001
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.022
GPT teacher head0.217
Teacher spread0.195 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; both teacher heads agree on what is shown here.

Study designNot applicable
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2017
Admission routes1
Has abstractyes

Explore more

Same venueUnicam Scientific Publications (University of Camerino)Same topicGenomics and Phylogenetic StudiesFrench-language works237,207