Developing an instrument to measure bias in CME
Notice bibliographique
Résumé
INTRODUCTION: The pharmaceutical industry, by funding over 60% of programs in the United States and Canada, plays a major role in continuing medical education (CME), but there are concerns about bias in such CME programs. Bias is difficult to define, and currently no tool is available to measure it. METHODS: Representatives from industry and academia collaborated to develop a tool to illuminate and measure bias in CME. The tool involved the rating of 14 statements (1 = strongly disagree, 4 = strongly agree) and was used to evaluate 17 live CME events. Cronbach's alpha was used to assess the internal consistency of the scale. RESULTS: Cronbach's alpha for the total score was 0.82, indicating excellent internal consistency. Incomplete or biased data, data presented in an unbalanced manner, and experience not integrated with evidence-based medicine were found to correlate strongly with the total score. Use of trade names showed a low correlation with the total, and nondeclaration of conflict of interest correlated negatively with the total. These associations suggest that whereas sponsor companies may declare conflicts of interest, such a declaration may not ensure an unbiased presentation. DISCUSSION: The tool and the data from this study can be used to raise awareness about bias in CME. Policymakers can use this tool to ensure that CME providers meet the standards for education, and CME providers can use the tool for conducting random audits of events they have accredited.
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 | 0,096 | 0,186 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».