Expected health benefits of e-Therapeutics Highlights according to pharmacists and physicians
Notice bibliographique
Résumé
The purpose of this research brief is to describe the expected health benefits of e-Therapeutics Highlights,* as evaluated by Canadian pharmacists and family physicians. The Canadian Pharmacists Association (CPhA), the College of Family Physicians of Canada (CFPC) and the Information Technology Primary Care Research Group (McGill University) collaborated to create an innovative continuing education program, called e-Therapeutics Highlights. Highlights are key treatment recommendations from e-Therapeutics+.** CPhA produces and maintains e-Therapeutics+, a web portal comprising clinical topic summaries that are authored and peer reviewed by subject matter experts (www.e-therapeutics.ca). Once a week, CPhA and CFPC members receive an e-Therapeutics Highlight delivered by e-mail, which they have the option of evaluating by means of a reflective learning activity based on the Information Assessment Method (IAM).1 For each rated Highlight, pharmacists receive continuing education units, and family physicians receive Mainpro credits. We present the aggregated results of IAM ratings as a way of summarizing the wisdom of the crowd of Highlight raters. Crowdsourcing is a force multiplier, defined as the release of online material to a crowd of users who may be interested in contributing ideas or performing a task such as rating a Highlight (voting) and submitting their work to a platform or an organization such as the CPhA, for the profit of the entire community.2,3 Large groups can be collectively wise in identifying relevant information.4 This principle of “crowdsourcing” has been applied to the development of innovative learning network approaches such as those seen in Wikipedia and various voting systems.5,6 Crowdsourcing allows the traditional “ask-the-user” approach to reach a wider audience.7,8
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».