MétaCan
Menu
Retour à la cohorte
Enregistrement W2312243314 · doi:10.1177/2327857914031002

User Perception of Data and Medical Record Personalities

2014· article· en· W2312243314 sur OpenAlexaff
Justin St-Maurice, Catherine M. Burns

Notice bibliographique

RevueProceedings of the International Symposium on Human Factors and Ergonomics in Health Care · 2014
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueData Quality and Management
Établissements canadiensUniversity of WaterlooConestoga College
Organismes subventionnairesnon disponible
Mots-clésData qualityQuality (philosophy)Computer sciencePersonality psychologyPersonalityData sciencePerceptionPsychologyEngineeringSocial psychology

Résumé

récupéré en direct d'OpenAlex

Data quality is an important and costly topic in modern society, and data quality and contextual data quality are important components of the human-computer relationship. As a long-term design imperative, the user interface needs to be improved to support better data quality. To design for better data quality, this exploratory study characterizes physicians’ opinions on their own data and the data produced by their colleagues. Through a regional survey and semi-structured interviews, the issue of data style and medical record personality was a dominant theme. A record’s personality impacts an individual user’s willingness to accept the data it contains. Future work will incorporate these results into modeling the data quality problem with cognitive work analysis, and will explore design elements to support the design for better data quality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,164
Score d'incertitude au seuil0,240

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,128
Tête enseignante GPT0,403
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Symposium on Human Factors and Ergonomics in Health CareMême sujetData Quality and ManagementTravaux en français237 207