Evaluating the Health Literacy Burden of Canada’s Public Advisories: A Comparative Effectiveness Study on Clarity and Readability
Notice bibliographique
Résumé
BACKGROUND: Significant knowledge gaps exist related to evaluating health product risk communication effectiveness in a regulatory setting. To this end, Health Canada is assessing methods to evaluate the effectiveness of their health product risk communications in an attempt to identify best practices. OBJECTIVE: We examined the health literacy burden of Public Advisories (PAs) before and after implementation of a new template. We also compared two methods for their usefulness and applicability in a regulatory setting. METHODS: Suitability assessment of materials (SAM) and readability tests were run by three independent evaluators on 46 PAs (14 "Pre-format change" and 32 "Post-format change"). These tests provided adequacy scores for various health literacy elements and corresponding scholastic grades. RESULTS: PAs using the new template scored better, with an average increase of 18 percentage points (p < 0.001), on the SAM test. All of the 46 PAs evaluated were rated as "requiring a college/university education comprehension level" using readability tests. Results among readability tests were comparable. CONCLUSION: Improvements made to Health Canada's PA template had a measurable, positive effect on reducing the health literacy burden, based on the SAM results. A greater focus on the use of plain language would likely add to this effect. The SAM test emerged as a robust, reliable, and informative health literacy tool to assess risk messages and identify further improvement efforts. Regulators, industry, and public sector organizations involved in communicating health product risk information should consider the use of this test as a best practice to evaluate health literacy burden.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».