MétaCan
Menu
Retour à la cohorte
Enregistrement W2337644055 · doi:10.1177/0272989x16634085

Effects of Design Features of Explicit Values Clarification Methods

2016· review· en· W2337644055 sur OpenAlexaff
Holly O. Witteman, Teresa Gavaruzzi, Laura D. Scherer, Arwen H. Pieterse, Andrea Fuhrel-Forbis, Selma Chipenda Dansokho, Nicole Exe, Valerie C. Kahn, Deb Feldman‐Stewart, Nananda F. Col, Alexis F. Turgeon, Angela Fagerlin

Notice bibliographique

RevueMedical Decision Making · 2016
Typereview
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversité LavalThe Quebec Population Health Research Network
Organismes subventionnairesnon disponible
Mots-clésRegretCINAHLCongruence (geometry)Data extractionComputer scienceContext (archaeology)MEDLINEPsychologyManagement scienceSocial psychologyPsychological interventionMachine learning

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Diverse values clarification methods exist. It is important to understand which, if any, of their design features help people clarify values relevant to a health decision. PURPOSE: To explore the effects of design features of explicit values clarification methods on outcomes including decisional conflict, values congruence, and decisional regret. 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 the evaluation of 1 or more explicit values clarification methods. DATA EXTRACTION: We extracted details about the evaluation, whether it was conducted in the context of actual or hypothetical decisions, and the results of the evaluation. We combined these data with data from a previous review about each values clarification method's design features. DATA SYNTHESIS: We identified 20 evaluations of values clarification methods within 19 articles. Reported outcomes were heterogeneous. Few studies reported values congruence or postdecision outcomes. The most promising design feature identified was explicitly showing people the implications of their values, for example, by displaying the extent to which each of their decision options aligns with what matters to them. LIMITATIONS: Because of the heterogeneity of outcomes, we were unable to perform a meta-analysis. Results should be interpreted with caution. CONCLUSIONS: Few values clarification methods have been evaluated experimentally. More research is needed to determine effects of different design features of values clarification methods and to establish best practices in values clarification. When feasible, evaluations should assess values congruence and postdecision measures of longer-term outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,335
score de la tête « metaresearch » (Gemma)0,689
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,335
Score d'incertitude au seuil0,820

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3350,689
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0030,008
Bibliométrie0,0060,005
Études des sciences et des technologies0,0020,003
Communication savante0,0090,011
Science ouverte0,0040,006
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0120,001

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.

Tête enseignante Opus0,409
Tête enseignante GPT0,599
Écart entre enseignants0,189 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations61
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207