Reconciling disparate data to determine the <i>right</i> answer: A grounded theory of meta analysts' reasoning in meta‐analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
While the systematic review process is intended to maximize objectivity and limit researchers' biases, examples remain of discordant recommendations from meta-analyses. Current guidelines to explore discrepancies assume the variation is produced by methodological differences and thus focus only on the study process. Because heterogeneity of interpretation also occurs when experts examine the same data, our purpose was to examine if there are reasoning differences, ie, in how information is processed and valued. We created simulated meta-analyses based on idealized randomized studies (ie, perfect studies with no bias) to ensure differences in interpretations could only be due to reasoning. We recruited published meta-analysts using purposeful variables. We conducted 3 audio-recorded interviews per participant using structured and semi-structured interviews, with paraphrasing and reflective listening to enhance and verify responses. Recruitment and analysis of transcripts and field notes followed the principles of grounded theory (eg, theoretical saturation, constant comparative analysis). Results show the complexity of meta-analytic reasoning. At each step of the process, participants attempted to reconcile disparate forms of knowledge to determine a right answer (moral concern) and accurately draw a treatment effect (epistemological concern). The reasoning processes often shifted between considering the meta-analysis as if the data were whole, and as if the data were discrete components (individual studies). These findings highlight paradigmatic tensions regarding the epistemological premises of meta-analysis, resembling previous historical investigations of the functioning of scientific communities. In understanding why different meta-analysts interpret data differently, it may be unrealistic to expect objective homogenous recommendations based on meta-analyses.
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.
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 | 0,800 | 0,542 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,007 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,020 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 découle