Some but not all dyadic measures in shared decision making research have satisfactory psychometric properties
Notice bibliographique
Résumé
OBJECTIVE: To assess the psychometric properties of dyadic measures for shared decision making (SDM) research. STUDY DESIGN AND SETTING: We conducted an observational cross-sectional study in 17 primary care clinics with physician-patient dyads. We used seven subscales to measure six elements of SDM: (1) defining the problem, presenting options, and discussing pros and cons; (2) clarifying the patient's values and preferences; (3) discussing the patient's self-efficacy; (4) drawing on the doctor's knowledge; (5) verifying the patient's understanding; and (6) assessing the patient's uncertainty. We assessed the reliability and invariance of the factorial structure and considered a measure to be dyadic if the factorial structure of the patient version was similar to that of the physician version and if there was equality of loading (no significant chi-square). RESULTS: We analyzed data for 264 physicians and 269 patients. All measures except one showed adequate reliability (Cronbach alpha, 0.70-0.93) and factorial validity (root mean square error of approximation, 0.000-0.06). However, we found only four measures to be dyadic (P>0.05): the values clarification subscale, perceived behavioral subscale, information-verifying subscale, and uncertainty subscale. CONCLUSION: The subscales for values clarification, perceived behavioral control, information verifying, and uncertainty are appropriate dyadic measures for SDM research and can be used to derive dyadic indices.
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 | 0,052 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».