Competency indices to assess the knowledge, skills and abilities of clinical research professionals
Notice bibliographique
Résumé
<p class="abstract"><strong>Background:</strong> Clinical research in the 21<sup>st</sup> century will require a well-trained workforce to ensure that research protocols yield valid and reliable results. Several organizations have developed lists of core competencies for clinical trial coordinators, administrators, monitors, data management/informaticians, regulatory affairs personnel and others.</p><p class="abstract"><strong>Methods:</strong> We used data collected by the joint task force on the harmonization of core competencies from a survey of research professionals working in the US and Canada to create competency Indices for clinical research professionals. Respondents reported how competent they believed themselves to be on 51 clinical research core competencies.</p><p class="abstract"><strong>Results:</strong> Factor analyzes identified 20 core competencies that defined a competency index for clinical research professionals—general (CICRP-General, i.e., GCPs) and four sub-indices that define specialized research functions: Medicines Development; Ethics and Participant Safety; Data Management; and Research Concepts. </p><p><strong>Conclusions:</strong> These indices can be used to gage an individual’s readiness to perform general as well as more advanced research functions; to assess the education and training needs of research workers; and to evaluate the impact of education and training programs on the competency of research coordinators, monitors and other clinical research team members.</p>
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 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 | 0,211 | 0,795 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes 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 ».