11. Who is in charge? Introducing criteria to evaluate health human resource (HHR) policy documents
Notice bibliographique
Résumé
The maldistribution of and lack of access to health professionals continues to be a major issue for policymakers at all levels of government. Additionally, the basis by which Health Human Resource (HHR) policy is determined is unclear. Publications found in independent reports, peer-reviewed journals and most importantly, grey literature, can significantly influence or inform major policy decisions for “hot button” HHR issues (1) . We propose a framework that can be used to classify, rank and evaluate HHR policy/planning documents. Our framework creates six major criteria that are used to evaluate policy documents. These criteria are: 1) literature review, 2) source of primary information, 3) nature of recommendations, 4) implementation strategies, 5) credibility of authors and 6) credibility of publisher. Within each category, a score from zero to three (for criteria 1-4) or zero to two (criteria 5-6) is assigned, depending on the caliber of the document. Summing the scores from each section yields a document’s overall score. The intent of this measure is two-fold. Firstly, we want to create a tool that can be widely utilized by policymakers to help inform their decisions. Secondly, it can be used as a springboard to stimulate discussion and debate around HHR planning and policy formulation. National Information Center on Health Services Research and Health Care Technology. (NICHSR) Health Services Research and Health Policy Grey Literature Project: Summary Report. 2006. http://www.nlm.nih.gov/ nichsr/greylitreport_06.html. Accessed February 20, 2007.
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 | 0,186 | 0,377 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,038 | 0,028 |
| Études des sciences et des technologies | 0,009 | 0,014 |
| Communication savante | 0,038 | 0,024 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».