La prévention des blessures non intentionnelles chez les enfants et adolescents autochtones au Canada
Bibliographic record
Abstract
Les blessures non intentionnelles sont la principale cause de décès chez les enfants et adolescents autochtones canadiens, à un taux de trois à quatre fois la moyenne nationale. Non seulement les décès et les blessures invalidantes dévastent les familles et les communautés, mais elles font également d’énormes ravages sur les ressources de santé. L’absence de statistiques, de surveillance continue ou de programmes de prévention des blessures à l’égard des enfants et adolescents autochtones exacerbe les coûts en matière de main-d’œuvre et de santé. Les communautés autochtones sont hétérogènes sur le plan culturel, qu’il s’agisse de l’accès aux ressources ou même des risques et des types de blessures. Pourtant, en général, ces communautés sont beaucoup plus susceptibles d’être pauvres, d’habiter dans un logement insalubre et d’éprouver de la difficulté à accéder aux soins de santé, des facteurs qui accroissent le risque et les conséquences des blessures. Il existe un besoin urgent de surveillance des blessures, de recherche, de renforcement des capacités, de diffusion des connaissances et de programmes de prévention des blessures qui sont axés sur les populations autochtones. Pour prévenir les blessures de manière efficace, il faut adopter des démarches multidisciplinaires, coopératives et durables, fondées sur des pratiques exemplaires, tout en étant spécifiques et sensibles sur le plan culturel et linguistique.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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 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".