Is there an optimum number needed to retrieve to justify inclusion of a database in a systematic review search?
Notice bibliographique
Résumé
OBJECTIVE: To determine whether calculation of a 'Number Needed to Retrieve' (NNTR) is possible and desirable as a means of evaluating the utility of a database for systematic review. METHODS: To determine an overall NNTR, eight systematic reviews were tracked to determine how many abstracts were retrieved compared to the number of articles meeting the inclusion criteria. An NNTR was calculated for each database searched to measure the utility of including it in systematic review searches. RESULTS: Across eight systematic reviews, 17 378 abstracts were reviewed. Of these, 122 met the inclusion criteria for their reviews resulting in an overall NNTR of 142. Individual reviews had an NNTR range of 28-310. Three databases delivered unique results (medline, cinahl and globalhealth). The majority of the included studies appeared in multiple databases. Only five articles were found in a single database. CONCLUSIONS: This research offers a proof of concept of 'NNTR'. While the eight review NNTRs varied widely, all were consistent with the range initially reported by Booth. Included articles consistently appeared in multiple databases, suggesting that duplicate abstracts should be screened first as these are likely to include highly relevant, high-quality results.
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 | 0,515 | 0,873 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,020 | 0,019 |
| Bibliométrie | 0,035 | 0,026 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,017 | 0,032 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,009 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».