A Day in the Professional Life of a Collaborative Biostatistician Deconstructed: Implications for Curriculum Design
Notice bibliographique
Résumé
Collaborative biostatistics is the creative application of statistical tools to biomedical problems. The relativelymodest literature about the traits of effective collaborative biostatisticians focuses on four core competencies: (a)technical and analytical; (b) substance-matter knowledge; (c) communication; and (d) problem solving and problemframing. Most statistical education concentrates on the technical and analytical competency; here, we focus on theremaining ones. Case studies describing consultations about study design and data analysis are presented, and thetask is to deconstruct the knowledge used by an experienced collaborative biostatistician into components which aremore explicit (and, ultimately, teachable). These components include specific and concrete information aboutstatistical procedures; substance-matter knowledge about biology and medicine; general knowledge about biomedicalstudies, especially study design; insights about the process of effective collaboration; and high-level synthesis.Implications for curriculum design are discussed. To follow up on these qualitative and provisional efforts, the nextstep in scholarly research about to teach communication, problem framing and problem solving within the context ofcollaborative biostatistics should focus on a finer-grained and evidence-based description of what these competenciesactually entail.
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 | 0,099 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,020 | 0,037 |
| Communication savante | 0,029 | 0,022 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».