Where's the Evidence for Evidence-based Knowledge in Ehealth Systems?
Notice bibliographique
Résumé
Consumers are increasingly turning to the Internet to gather information in making a wide variety of decisions - from the reliability of different brands of automobiles, to product costs. Similarly, many individuals are making use of online sources of information through the Internet and their employers to make health-related decisions - including options in health plans and personal assistance. But is the information that is available useful or, more importantly, accurate? Could online information even be harmful? A number of studies have looked at assessing the quality of online information available to consumers and concluded that much of the information, while perhaps not incorrect, is not well-founded. Several of these studies have pointed to the need to rely more on evidence-based approaches. In this paper we argue that evidence-based approaches are needed and that evidence must form the basis for the information provided to consumers. This raises a number of challenges in both how to embody evidence within eHealth systems as well as how to validate the effectiveness of such approaches. We identify these challenges and outline research directions for overcoming them.
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 | 0,210 | 0,572 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,017 | 0,013 |
| Études des sciences et des technologies | 0,004 | 0,015 |
| Communication savante | 0,025 | 0,033 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,019 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».