P352 Game-It (Games For Improving Treatment-Recommendations)
Notice bibliographique
Résumé
Background Traditionally patients are not involved in the development of clinical guidelines, and most current panels include only clinical and methodological experts. We therefore know little about what patients (or healthy lay people) would have recommended if they were provided with the same evidence as experts. Objectives Develop a prototype ‘Recommendation-making game’ which can be used for: (1) Exploring patients and lay people’s reasoning when facing the same evidence as an expert guideline panel; (2) assess whether they give similar value to the outcomes or burdens if the decision of making a recommendation for a patient group was up to them; (3) determine whether their recommendation concur with what they would have decided for themselves. Methods We used game technology to make a generic prototype of an online “Recommendation-making game”, based on structured guidelines published in the MAGIC (Making Grade the Irresistible Choice) application. This approach will enable us to automatically make online surveys out of any guideline/recommendation in the system. In making it into a game we believe people would want to participate, and we can potentially harvest information from a large group of people. The game can also be used in small focus groups for qualitative data collection. Results We will display the prototype at the conference. Discussion Does clinical experts reasoning effects that of patient representatives in a guideline panel? Implications for Guideline Developers/Users GAME-IT explores a new way of harvesting information from patients (or healthy lay people) regarding treatment recommendations.
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,007 |
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 ».