Measuring the Impact of Arthritis on Worker Productivity: Perspectives, Methodologic Issues, and Contextual Factors
Notice bibliographique
Résumé
Leading up to the Outcome Measures in Rheumatology (OMERACT) 10 meeting, the goal of the Worker Productivity Special Interest Group (WP-SIG) was to make progress on 3 key issues that relate to the application and interpretation of worker productivity outcomes in arthritis: (1) to review existing conceptual frameworks to help consolidate our intended target and scope of measurement; (2) to examine the methodologic issues associated with our goal of combining multiple indicators of worker productivity loss (e.g., absenteeism <-> presenteeism) into a single comprehensive outcome; and (3) to examine the relevant contextual factors of work and potential implications for the interpretation of scores derived from existing outcome measures. Progress was made on all 3 issues at OMERACT 10. We identified 3 theoretical frameworks that offered unique but converging perspectives on worker productivity loss and/or work disability to provide guidance with classification, selection, and future recommendation of outcomes. Several measurement and analytic approaches to combine absenteeism and presenteeism outcomes were proposed, and the need for further validation of such approaches was also recognized. Finally, participants at the WP-SIG were engaged to brainstorm and provide preliminary endorsements to support key contextual factors of worker productivity through an anonymous "dot voting" exercise. A total of 24 specific factors were identified, with 16 receiving ≥ 1 vote among members, reflecting highly diverse views on specific factors that were considered most important. Moving forward, further progress on these issues remains a priority to help inform the best application of worker productivity outcomes in arthritis 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 | 0,006 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».