Factors That Influence Reliability of the Mouse Clinical Frailty Index
Notice bibliographique
Résumé
Dear Editor, We thank Kane and colleagues for their careful attention to our report recently published in the Journal of Gerontology Biological Sciences (1), and for the opportunity to provide some additional description of our study. In their letter, they noted that, without a special procedure for assessing reliability, and without feedback of the results, they saw no trend toward increasing inter-rater reliability in their series, which included both the long-lived C57BL/6JJ mice and the short-lived DBA/2J mouse model. By contrast, both their recently published report (2) and our original study (1), which each included attempts to improve reliability, yielded better results. Kane and colleagues also call to attention that the professional background of the rater may be important. In their data, scientists and trainees showed greater inter-rater reliability than did animal technicians. Our data appear to support the former conclusion; without data from technicians we must be silent in the latter. The two who did the ratings in our original submission (H.F. and M.S.) were both graduate students at the time, with 4–5 years of experience in the research laboratory. Importantly, they achieved a high level of inter-rater reliability (intra-class correlation coefficient = 0.77; 95% confidence interval = 0.67–0.83) by the final set of ratings. The work of Kane and colleagues also strongly suggests that it is the professional background of the rater rather than the number of years of experience that are important. We cannot comment on this based on our study (1), as both raters in our study had similar backgrounds and years of experience.
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 | 0,008 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».