State‐of‐the‐Evidence Reviews: Advantages and Challenges of Including Grey Literature
Notice bibliographique
Résumé
BACKGROUND: Increasingly, health policy decision-makers and professionals are turning to research-based evidence to support decisions about policy and practice. Systematic reviews are useful for gathering, summarizing, and synthesizing published and unpublished research about clearly defined interventions. State-of-the-evidence reviews are broader than traditional systematic reviews and may include not only published and unpublished research, but also published and unpublished non-research literature. Decisions about whether to include this "grey literature" in a review are challenging and lead to many questions about whether the advantages outweigh the challenges. AIMS: The primary purpose of this article is to describe what constitutes grey literature, and methods to locate it and assess its quality. The secondary purpose is to discuss the core issues to consider when making decisions to include grey literature in a state-of-the-evidence review. METHODS: A recent state-of-the-evidence review is used as an exemplar to present advantages and challenges related to including grey literature in a review. RESULTS: Despite the challenges, in the exemplar, inclusion of grey literature was useful to validate the results of a research-based literature search. CONCLUSION: Decisions about whether to include grey literature in a state-of-the-evidence review are complex. A checklist to assist in decision-making was created as a tool to assist the researcher in determining whether it is advantageous to include grey literature in a review.
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 | 0,597 | 0,785 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,036 | 0,025 |
| Études des sciences et des technologies | 0,008 | 0,021 |
| Communication savante | 0,039 | 0,044 |
| Science ouverte | 0,008 | 0,023 |
| Intégrité de la recherche | 0,016 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».