Design Features of Explicit Values Clarification Methods
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Values clarification is a recommended element of patient decision aids. Many different values clarification methods exist, but there is little evidence synthesis available to guide design decisions. PURPOSE: To describe practices in the field of explicit values clarification methods according to a taxonomy of design features. DATA SOURCES: MEDLINE, all EBM Reviews, CINAHL, EMBASE, Google Scholar, manual search of reference lists, and expert contacts. STUDY SELECTION: Articles were included if they described 1 or more explicit values clarification methods. DATA EXTRACTION: We extracted data about decisions addressed; use of theories, frameworks, and guidelines; and 12 design features. DATA SYNTHESIS: We identified 110 articles describing 98 explicit values clarification methods. Most of these addressed decisions in cancer or reproductive health, and half addressed a decision between just 2 options. Most used neither theory nor guidelines to structure their design. "Pros and cons" was the most common type of values clarification method. Most methods did not allow users to add their own concerns. Few methods explicitly presented tradeoffs inherent in the decision, supported an iterative process of values exploration, or showed how different options aligned with users' values. LIMITATIONS: Study selection criteria and choice of elements for the taxonomy may have excluded values clarification methods or design features. CONCLUSIONS: Explicit values clarification methods have diverse designs but can be systematically cataloged within the structure of a taxonomy. Developers of values clarification methods should carefully consider each of the design features in this taxonomy and publish adequate descriptions of their designs. More research is needed to study the effects of different design features.
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.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle