Minimal dataset for quitlines: a best practice
Notice bibliographique
Résumé
OBJECTIVES: This paper discusses the development of a minimal dataset (MDS) for tobacco cessation quitlines across North America. The goal was to create a standardised instrument and protocol that would allow for comparisons and pooling of data across quitlines for evaluation and research purposes. Principles of utilisation focused evaluation were followed to achieve consensus across diverse stakeholder groups in two countries. METHODS: The North American Quitline Consortium (NAQC) assembled a working group with representatives from quitline service providers, funders, evaluators and researchers from Canada and the United States. An extensive, iterative consultation process over two years led to consensus on the evaluation domains, indicators and specific items. Descriptive information on quitline service models, data collection protocols and methodological issues were addressed. RESULTS: The resulting minimal dataset (MDS) includes 15 items collected from eligible callers at intake and eight items collected from smokers participating in evaluation. Recommendations for selecting evaluation participants, length of follow-up and repeat callers were developed. Full MDS questions and technical documents are available on the NAQC website. CONCLUSION: Adoption and implementation of the MDS occurred in the majority of North American quitlines by the end of 2006. Key success factors included a focus on utility and feasibility, a commitment to meeting multiple and varied needs, sensitivity to situational factors and investment in working interactively with stakeholders. The creation and implementation of a MDS across two countries is an important "first" in tobacco control which will help speed the creation of practice based evidence and facilitate practice based 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».