Diffusion of Innovations model helps interpret the comparative uptake of two methodological innovations: co-authorship network analysis and recommendations for the integration of novel methods in practice
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study was to characterize the diffusion of methodological innovation. STUDY DESIGN AND SETTING: Comparative case study analysis of the diffusion of two methods that summarize confounder information into a single score: disease risk score (DRS) and high-dimensional propensity score (hdPS). We completed systematic searches to identify DRS and hdPS papers in the field of pharmacoepidemiology through to the end of 2013, plotted the number of papers and unique authors over time, and created sociograms and animations to visualize co-authorship networks. First and last author affiliations were used to ascribe institutional contributions to each paper and network. RESULTS: We identified 43 DRS papers by 153 authors since 1981, reflecting slow uptake during initial periods of uncertainty and broader diffusion since 2001 linked to early adopters from Vanderbilt. We identified 44 hdPS papers by 147 authors since 2009, reflecting rapid and integrated diffusion, likely facilitated by opinion leaders, early presentation at conferences, easily accessible statistical code, and improvement in funding. Most contributions (87% DRS, 96% hdPS) were from North America. CONCLUSION: When proposing new methods, authors are encouraged to consider innovation attributes and early evaluation to improve knowledge translation of their innovations for integration into practice, and we provide recommendations for consideration.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,174 | 0,535 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,012 | 0,024 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».