MétaCan
Menu
Retour à la cohorte
Enregistrement W2908292687 · doi:10.5195/jmla.2019.539

Almost half of references in reports on new and emerging nondrug health technologies are grey literature

2019· article· en· W2908292687 sur OpenAlexaff
Kelly Farrah, Monika Mierzwinski‐Urban

Notice bibliographique

RevueJournal of the Medical Library Association JMLA · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueOptics and Image Analysis
Établissements canadiensCanadian Agency for Drugs and Technologies in Health
Organismes subventionnairesnon disponible
Mots-clésGrey literatureAgency (philosophy)Food and drug administrationMedical literatureSystematic reviewSample (material)MedicineMEDLINEFamily medicineComputer scienceLibrary sciencePolitical scienceSociologyEnvironmental healthSocial sciencePathologyLaw

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The research investigated how frequently grey literature is used in reports on new and emerging nondrug health technologies, which sources are most cited, and how grey literature searching is reported. METHODS: A retrospective review of references cited in horizon scanning reports on nondrug health technologies-including medical devices, laboratory tests, and procedures-was conducted. A quasi-random sample of up to three reports per agency was selected from a compilation of reports published in 2014 by international horizon scanning services and health organizations. RESULTS: Twenty-two reports from 8 agencies were included in the analysis. On average, 47% (288/617) of references listed in the bibliographies of the horizon scanning reports were grey literature. The most frequently cited type of grey literature was information from manufacturers (30% of all grey literature references), regulatory agencies (10%), clinical trial registries (9%), and other horizon scans or evidence synthesis reports (9%). The US Food and Drug Administration (FDA) and ClincalTrials.gov were the most frequently cited specific sources, constituting 7% and 8% of grey literature references, respectively. Over two-thirds (15/22) of the analyzed reports provided some details on search methodology; all 15 of these reported searching some grey literature. CONCLUSIONS: In this sample, grey literature represented almost half of the references cited in reports on new and emerging nondrug health technologies. Of these grey literature references, almost half came from three sources: the manufacturers, ClincalTrials.gov, and the FDA. There was wide variation in the other sources cited. Literature search methodology was often insufficiently reported for analysis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,081
score de la tête « metaresearch » (Gemma)0,418
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Bibliométrie
Catégories consensuellesaucune
DomaineSignal candidat: Présentation des résultats · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,919
Score d'incertitude au seuil0,426

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0810,418
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0820,094
Études des sciences et des technologies0,0020,004
Communication savante0,0090,009
Science ouverte0,0030,007
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0150,005

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,213
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
DomainePrésentation des résultats
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Medical Library Association JMLAMême sujetOptics and Image AnalysisTravaux en français237 207