MétaCan
Menu
Retour à la cohorte
Enregistrement W2587939122 · doi:10.1111/nup.12173

Can nursing epistemology embrace <i>p</i>‐values?

2017· article· en· W2587939122 sur OpenAlexaff
Christine Ou, Wendy A. Hall, Sally Thorne

Notice bibliographique

RevueNursing Philosophy · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésEpistemologyPsychologyNursing researchSociology of scientific knowledgeHealth careScientific evidenceMEDLINENursingSociologyMedicineLawPolitical sciencePhilosophy

Résumé

récupéré en direct d'OpenAlex

The use of correlational probability values (p-values) as a means of evaluating evidence in nursing and health care has largely been accepted uncritically. There are reasons to be concerned about an uncritical adherence to the use of significance testing, which has been located in the natural science paradigm. p-values have served in hypothesis and statistical testing, such as in randomized controlled trials and meta-analyses to support what has been portrayed as the highest levels of evidence in the framework of evidence-based practice. Nursing has been minimally involved in the rich debate about the controversies of treating significance testing as evidentiary in the health and social sciences. In this paper, we join the dialogue by examining how and why this statistical mechanism has become entrenched as the gold standard for determining what constitutes legitimate scientific knowledge in the postpositivistic paradigm. We argue that nursing needs to critically reflect on the limitations associated with this tool of the evidence-based movement, given the complexities and contextual factors that are inherent to nursing epistemology. Such reflection will inform our thinking about what constitutes substantive knowledge for the nursing discipline.

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)0,207
score de la tête « metaresearch » (Gemma)0,340
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,793
Score d'incertitude au seuil0,978

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2070,340
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,002
Bibliométrie0,0070,006
Études des sciences et des technologies0,0090,132
Communication savante0,0360,053
Science ouverte0,0090,019
Intégrité de la recherche0,0230,034
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,561
Tête enseignante GPT0,658
Écart entre enseignants0,097 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
GenreEmpirique

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

En bref

Citations13
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNursing PhilosophyMême sujetHealth Policy Implementation ScienceTravaux en français237 207