Contribution des causes de décès aux gains en espérance de vie à 65 ans au Canada et l’influence de leur profil par âge, 1979-2007
Bibliographic record
Abstract
La mortalité aux jeunes âges devenant de plus en plus faible, l’augmentation de l’espérance de vie est largement dépendante de la survie aux âges avancés. L’espérance de vie à 65 ans n’a cependant pas connu un rythme de progression continu au cours des trois dernières décennies. Ces changements dans l’évolution de l’espérance de vie proviennent de modifications dans les tendances de certaines causes de décès et de leurs interactions. Cette étude analyse la contribution respective de certaines causes de décès aux changements observés de l’espérance de vie, mais aussi comment les profils de variation par âge des causes de décès influencent les tendances des taux de mortalité par cause. Les résultats montrent que les progrès de l’espérance de vie à 65 ans sont encore majoritairement dus à la diminution de la mortalité liée aux maladies cardiovasculaires. Toutefois, ces dernières causes de décès ne sont pas les seules à contribuer aux progrès en espérance de vie, puisque les taux de mortalité des dix principales causes de décès au Canada ont connu une diminution depuis 1979, malgré des profils de variation par âge différents.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 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".