Improving the reporting of public health intervention research: advancing TREND and CONSORT
Notice bibliographique
Résumé
BACKGROUND: Evidence-based public health decision-making depends on high quality and transparent accounts of what interventions are effective, for whom, how and at what cost. Improving the quality of reporting of randomized and non-randomized study designs through the CONSORT and TREND statements has had a marked impact on the quality of study designs. However, public health users of systematic reviews have been concerned with the paucity of synthesized information on context, development and rationale, implementation processes and sustainability factors. METHODS: This paper examines the existing reporting frameworks for research against information sought by users of systematic reviews of public health interventions and suggests additional items that should be considered in future recommendations on the reporting of public health interventions. RESULTS: Intervention model, theoretical and ethical considerations, study design choice, integrity of intervention/process evaluation, context, differential effects and inequalities and sustainability are often overlooked in reports of public health interventions. CONCLUSION: Population health policy makers need synthesized, detailed and high quality a priori accounts of effective interventions in order to make better progress in tackling population morbidities and inequalities. Adding simple criteria to reporting standards will significantly improve the quality and usefulness of published evidence and increase its impact on public health program planning.
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 | 0,846 | 0,927 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,013 | 0,014 |
| Bibliométrie | 0,020 | 0,035 |
| Études des sciences et des technologies | 0,006 | 0,015 |
| Communication savante | 0,014 | 0,018 |
| Science ouverte | 0,009 | 0,013 |
| Intégrité de la recherche | 0,015 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».