The Origin and Impact of Ideals in eHealth Research: Experiences From the U-CARE Research Environment
Notice bibliographique
Résumé
BACKGROUND: The prevalence of information technology (IT) in society is a foundation for new modes of interaction between patients and health specialists. IT plays an important role in the renewal of care. Several countries have incorporated eHealth plans into their national health strategies. Part of the eHealth evolution concerns Internet psychological treatment and psychosocial care. These interventions are complex to design and evaluate due to legal, ethical, organizational, technical, and methodological challenges. OBJECTIVE: The objective of our study was to seek to make explicit contributions to the understanding of ideals in eHealth research, and illuminate their implications for establishing an effective research environment. Our analysis draws from three years of experience in establishing an eHealth research environment, and the literature. METHODS: We worked inductively to characterize challenging research ideals, and their origins, in our environment. Thereafter, we made a selective search of the literature to scrutinize and illuminate each ideal and it's implications. RESULTS: In this work, we propose a structured approach to address ideals in eHealth research. The scrutinized ideals are accountability, innovation, rigor, relevance, and sustainability. The approach supports researchers to systematically understand the ideals, their origin, and to manage their implications within an eHealth research environment. CONCLUSIONS: The complexity of eHealth research causes a need for sustainable, multi-disciplinary research environments. There is a need for a structured approach to organize eHealth research. The proposed approach helps to systematically scrutinize ideals, thus promoting high quality research.
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 | 0,022 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».