How to Report and Interpret Screening Test Properties: Guidelines for Driving Researchers
Notice bibliographique
Résumé
One important goal of driving research is the development of a short but valid office-based screening test for fitness to drive of aging drivers. Several candidate tests have been proposed already, and no doubt others will be proposed in the future. It might seem obvious that authors advocating for the adoption of a particular screening test or procedure should report sensitivity, specificity, and other common screening test properties. Unfortunately, driving researchers have frequently failed to report any screening test properties. Others have reported screening test properties but have made basic mistakes such as calculating predictive values of positive and negative tests but reporting them incorrectly as sensitivity and specificity. These omissions and errors suggest that some driving researchers may be unaware of the importance of accurately reporting test properties when proposing a screening procedure and that others may need a refresher on how to calculate and interpret the most common screening test properties. Many good learning resources for screening and diagnostic tests are available, but most of them are intended for students and researchers in medicine, epidemiology, or public health. We hope that this tutorial in a prominent transportation journal will help lead to improved reporting and interpretation of screening test properties in articles that assess the usefulness of potential screening tools for fitness to drive.
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 | 0,441 | 0,744 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,006 |
| Méta-épidémiologie (sens large) | 0,009 | 0,008 |
| Bibliométrie | 0,025 | 0,015 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,015 | 0,021 |
| Science ouverte | 0,015 | 0,008 |
| Intégrité de la recherche | 0,016 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,017 |
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 ».