An analysis of the readability of patient information materials for common urological conditions
Notice bibliographique
Résumé
INTRODUCTION: Health literacy has been shown to be an important determinant of outcomes in numerous disease states. In an effort to improve health literacy, the Canadian Urological Association (CUA) publishes freely accessible patient information materials (PIMs) on common urological conditions. We sought to evaluate the readability of the CUA's PIMs. METHODS: All PIMs were accessed through the CUA website. The Flesch Reading Ease Score (FRES), the Flesch-Kincaid Grade Level (FKGL), and the number of educational graphics were determined for each PIM. Low FRES scores and high FKGL scores are associated with more difficult-to-read text. Average readability values were calculated for each PIM category based on the CUA-defined subject categorizes. The five pamphlets with the highest FKGL scores were revised using word substitutions for complex multisyllabic words and reanalyzed. The Kruskal-Wallis test was used to identify readability differences between PIM categories and paired t-tests were used to test differences between FKGL scores before and after revisions. RESULTS: Across all PIMs, FRES values were low (mean 47.5, standard deviation [SD] 7.47). This corresponded to an average FKGL of 10.5 (range 8.1-12.0). Among PIM categories, the infertility and sexual function PIMs exhibited the highest average FKGL (mean 11.6), however, differences in scores between categories were not statistically significant (p=0.38). The average number of words per sentence was also highest in the infertility and sexual function PIMs and significantly higher than other categories (mean 17.2; p=0.01). On average, there were 1.4 graphics displayed per PIM (range 0-4), which did not vary significantly by disease state (p=0.928). Simple words substitutions improved the readability of the five most difficult-to-read PIMs by an average of 3.1 grade points (p<0.01). CONCLUSIONS: Current patient information materials published by the CUA compare favourably to those produced by other organizations, but may be difficult to read for low-literacy patients. Readability levels must be balanced against the required informational needs of patients, which may be intrinsically complex.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».