Finding the Right Balance between Evidence for Judgment and Evidence for Quality Improvement
Notice bibliographique
Résumé
"Evidence for judgment" asks whether healthcare practitioners did what they were supposed to do. "Evidence for improvement" asks whether quality is improving due to the deliberate efforts of managers and care providers. The former describes the gap between optimal and actual care, examines peer-to-peer comparisons, is retrospective and often measured only at a single point in time, and identifies problems but not necessarily solutions. Knowledge tends to flow from researchers to practitioners, and knowledge transfer mechanisms are unclear. Evidence for improvement is prospective, focuses on comparisons to self over time, uses longitudinal data, and includes evidence on "how" to improve. Knowledge transfer mechanisms are built into quality improvement projects. Both types of evidence have their role; evidence for judgment helps system leaders identify priorities for improvement, whereas evidence for improvement helps leaders assess whether their implementation strategies have been successful. Currently, however, evidence for judgment predominates. Funding mechanisms, data systems, measurement tools, publication guidelines, and health professional training programs will need to be modified if we want more evidence for improvement.
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 | 0,695 | 0,874 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,018 | 0,009 |
| Bibliométrie | 0,034 | 0,014 |
| Études des sciences et des technologies | 0,006 | 0,033 |
| Communication savante | 0,034 | 0,037 |
| Science ouverte | 0,012 | 0,018 |
| Intégrité de la recherche | 0,034 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».