Creating case scenarios or vignettes using factorial study design methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIM: This paper is a report of a study conducted to develop clinical case vignettes using an adaptation of an incomplete factorial study design methodology. BACKGROUND: In health care, vignettes or cases scenarios are core to problem-based learning, common in practice guideline development processes, and increasingly being used in patient or care-giver studies of chronic or life-threatening illnesses. A large number of behavioural, psycho-social and clinical factors can be relevant in such decision problems. Unbiased methods for choosing what factors to include are needed, when it is not possible to include all relevant combinations of factors in the vignettes. METHOD: The factors to be considered, number of levels or categories for each factor, and desired number of scenarios were decided in advance. An algorithm was used first to create the full factorial data set, and then a random subset of combinations was generated, according to predefined criteria, based on maximizing determinants. The subset of combinations was incorporated into written vignettes. The study was conducted in 2004-2005. FINDINGS: Application of the method yielded diverse and balanced scenarios that covered the full range of factors to be considered for a project to elicit health providers' processes in diet counselling for dyslipidemia. CONCLUSION: The approach is flexible, decreases possible researcher bias in the creation of vignettes, and can improve statistical power in survey research. This novel application of study design methodology merits consideration when vignettes are being developed to elicit opinions or decisions in studies of complex health issues.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle