A Model of Cross-Disciplinary Communication for Collaborative Statisticians: Implications for Curriculum Design
Notice bibliographique
Résumé
The ability to bridge multiple disciplines is critical to the successful practice of collaborative statistics, yet theliterature on statistical education devotes relatively little attention to how this skill can be taught. Our goal here is todescribe a general conceptual framework within which a curriculum on communication and leadership couldultimately be organized.The primary research question pertains to whether an actionable model of cross-disciplinary communication forcollaborative statisticians can be developed, and our task here is to describe such a model and also to illustrate its use.Within this model most communications either share or request information. For example, statisticians might provideinformation about statistics (e.g., specific statistical approaches, general statistical principles), comment on theclinician’s understanding of statistics, share their understanding of clinical content, and request information (e.g.,about clinical content, the design and execution of the study being discussed, etc.). Clinical investigators contributean analogous set of components. In addition, a critical element to the interaction is the higher-level task ofdeveloping a mutually understood agreement about the work to be performed: in essence, proposing and negotiatingsuch an agreement.The model is illustrated using a case study, and general qualitative feedback from investigators who performed thecase study was obtained, commenting on both successful and unsuccessful interactions with statisticians.Implications for curriculum development are discussed.
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 | 0,043 | 0,090 |
| 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 | 0,006 | 0,014 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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; 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 ».