Effects of 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: 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.
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 | 0,005 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 découle