Influence of editing free text responses on nutrient and food group estimates from the Automated Self‐Administered 24‐hour dietary recall (ASA24) (1022.7)
Notice bibliographique
Résumé
OBJECTIVE : To assess the impact of editing data from the ASA24 on nutrient and food group estimates. METHODS : About 900 adults from 3 integrated health care systems completed recalls in an ASA24 evaluation study. In using ASA24, respondents may enter free text in 2 contexts. “Other” is a response to questions about food detail (e.g., brand name), in which case text is collected but not used in assigning food codes. Text can be entered for “Unfound foods” when respondents cannot find a food. The system asks questions to identify the food type and assigns a food code. Free‐text responses were compared to system‐assigned food codes and edited when necessary. Nutrient and food group values for unedited and edited data were then compared. RESULTS : Of 1,013 recalls collected, 440 recalls included 749 foods with free text responses. The ASA24 system assigned correct food codes 70% of the time. Edits were made to 225 foods (30% of foods reported using free text), affecting 188 recalls (18.5% of all recalls). This editing process required over 60 hours of specialized staff time. The mean nutrient and food group values before and after editing showed no significant differences. DISCUSSION : These results allow researchers using ASA24 to weigh the benefits and costs of manually reviewing free text responses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,077 | 0,494 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».