Le phénomène du masquage dans le signalement des événements« les plus graves » : biais influant sur les estim tions des taux d’incidence des blessures sportives chez les enfants canadiens
Notice bibliographique
Résumé
Introduction Les enquêtes sur la cueillette de données sur les blessures ciblent souvent « l’événement le plus grave » dans le but de limiter les erreurs de mémoire et de réduire la longueur des questionnaires. Cela risque cependant de masquer des blessures moins graves et d’entraîner un biais dans les estimations des taux d’incidence de certaines sous-catégories de traumatismes. Méthodologie Nous avons utilisé des données tirées de l’Enquête sur les comportements liés à la santé des enfants d’âge scolaire (ECSEAS) et du Système canadien hospitalier d’information et de recherche en prévention des traumatismes (SCHIRPT) pour comparer les estimations des taux d’incidence des blessures sportives chez les enfants canadiens. Résultats D’après les données de l’ECSEAS, 6,7 % des enfants déclarent avoir subi une blessure sportive ayant nécessité une consultation à un service des urgences. N’ont cependant été recueillies que les données sur la blessure « la plus grave » subie par l’enfant, ce qui fait qu’un enfant ayant subi de multiples blessures justifiant une consultation à un service des urgences est susceptible d’avoir subi des blessures sportives passées sous silence. La sous-estimation de ce taux de 6,7 % pourrait atteindre 4,3 %. D’après les données de surveillance du SCHIRPT correspondantes, le taux d’incidence de ces blessures est de 9,9 %. Nous mettons également en lumière dans notre analyse le biais potentiel de masquage lié aux blessures traitées par d’autres prestataires de soins de santé. Conclusion Poser une question sur « la blessure la plus grave » risque d’induire un biais de masquage considérable du taux d’incidence des blessures sportives, limitant ainsi la capacité des chercheurs à estimer l’ampleur réelle du phénomène. Des périodes de rappel plus longues entraînent inévitablement un phénomène de masquage plus important. La conception des enquêtes à venir devrait tenir compte de ces réalités. Si l’on veut faciliter une prise de décisions éclairées et orienter correctement les futures recherches, il faut que les chercheurs soient conscients de ces limitations.
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 | 0,019 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».