Can a moral reasoning exercise improve response quality to surveys of healthcare priorities?
Notice bibliographique
Résumé
OBJECTIVE: To determine whether a moral reasoning exercise can improve response quality to surveys of healthcare priorities METHODS: A randomised internet survey focussing on patient age in healthcare allocation was repeated twice. From 2574 internet panel members from the USA and Canada, 2020 (79%) completed the baseline survey and 1247 (62%) completed the follow-up. We elicited respondent preferences for age via five allocation scenarios. In each scenario, a hypothetical health planner made a decision to fund one of two programmes identical except for average patient age (35 vs 65 years). Half of the respondents (intervention group) were randomly assigned to receive an additional moral reasoning exercise. Responses were elicited again 7 weeks later. Numerical scores ranging from -5 (strongest preference for younger patients) to +5 (strongest preference for older patients); 0 indicates no age preference. Response quality was assessed by propensity to choose extreme or neutral values, internal consistency, temporal stability and appeal to prejudicial factors. RESULTS: With the exception of a scenario offering palliative care, respondents preferred offering scarce resources to younger patients in all clinical contexts. This preference for younger patients was weaker in the intervention group. Indicators of response quality favoured the intervention group. CONCLUSIONS: Although people generally prefer allocating scarce resources to young patients over older ones, these preferences are significantly reduced when participants are encouraged to reflect carefully on a wide range of moral principles. A moral reasoning exercise is a promising strategy to improve response quality to surveys of healthcare priorities.
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 | 0,268 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes 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 ».