Notice bibliographique
Résumé
Oral health surveys are undertaken to provide estimates of the dental health and behaviors of populations or population subgroups. However, the integrity of the data from sample surveys may be compromised by one or more sources of sampling and nonsampling error. An important source of nonsampling error is the failure to collect data from some of the individuals comprising the sample. Consequently, the response to a sample survey, and the direction and magnitude of bias induced by nonresponse, need to be taken into account when using estimates derived from sample surveys. Although the response rate to a survey is usually used as an indicator of the quality of the data it provides, nonresponse error is a function of nonresponse and the extent of differences in the characteristics of responders and nonresponders. Nonresponse may be managed in two ways. The first is to reduce nonresponse to a minimum using response-enhancement strategies. The second is the post-survey adjustment of data using weighting or imputation techniques to produce estimates that correct for nonresponse. This paper discusses issues concerning response and nonresponse bias in oral health surveys and provides guidelines on the management and reporting of nonresponse. It describes response-enhancement strategies to reduce noncontacts and refusals, sources of data to facilitate the comparison of responders and nonresponders, methods of assessing the degree of bias induced by nonresponse, techniques for producing adjusted survey estimates, and the assumptions on which these procedures and processes are based.
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 | 0,420 | 0,671 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».