Knowledge translation in biostatistics: a survey of current practices, preferences, and barriers to the dissemination and uptake of new statistical methods
Notice bibliographique
Résumé
BACKGROUND: The use of standard statistical methods in the medical literature has been studied extensively; however, the adoption of new methods has received less attention. We sought to understand (i) whether there is a perception that new methods are underused, (ii) what the barriers to use of new methods are, (iii) what dissemination activities are used, and (iv) user preferences for learning about new methods. METHODS: We conducted a cross-sectional survey of members of the Statistical Society of Canada (SSC) and of principal investigators (knowledge-users) funded by the Canadian Institutes of Health Research (CIHR). RESULTS: There were 157 CIHR respondents (14% response rate), and 39 respondents were statisticians from the Statistical Society of Canada. Seventy percent of CIHR respondents and 82% of statisticians felt that new developments were under-used. Barriers to use of new methods included lack of access to the necessary expertise (selected by over 90% of respondents), lack of suitable software (selected by 81% of statisticians), and lack of time to implement new methods (selected by 78% of statisticians). Greater access to statistical colleagues with an interest in collaboration and availability of software to implement new methods were the top-rated preferences among knowledge-users. CONCLUSIONS: There was a clear perception among all respondents that new statistical methods are underused. Encouraging statistical methodologists to develop a knowledge translation plan for improved dissemination and uptake, placing greater value on the role of the statistical collaborator in research, and providing software alongside new methods may improve the use of newly developed statistical methods.
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 | 0,119 | 0,479 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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; 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 ».