Notice bibliographique
Résumé
In a series of articles in this issue, Allen proposes and tests a model of movement1; reports the validity and reliability of a self-report instrument, the Movement Ability Measure (MAM)2; and tests the responsiveness to change of the MAM on a small sample of patients.3 The multidimensional model of movement—which includes exibility, strength, accuracy, speed, adaptability, and endurance—specifies the term “movement” at the human, not cellular or molecular, level for the Movement Continuum Theory.4 As noted in Allen's discussion and in the invited commentaries by Cott and Finch, Martin, and Sullivan, the proposed model of movement has limitations, and the assessment tool has not been tested sufficiently to indicate that it is superior to other instruments such as the Outpatient Physical Therapy Improvement in Movement Assessment Log (OPTIMAL)5 or the Activity Measure for Post-Acute Care (AM-PAC) “item bank” and computerized adaptive testing (CAT) assessment platform (AM-PAC-CAT).6 It is clear that we are in the initial rather than final stages of consensus about an instrument that measures outcomes affected by physical therapy intervention and that crosses medical diagnoses, systems, practice settings, acuity, and other variables. Perhaps it is time to sit in a room (real or virtual) to examine these tools and discuss the research that has to be conducted to move us forward instead of sideways. Critical to the discussion: How do these outcome tools mesh with the International Classification of Functioning, Disability and Health (ICD)7?
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 | 0,003 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,010 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,358 | 0,279 |
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 source (Gemma direct ou Codex distillé), 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 ».