Congruence in Research Question, Design, and Analysis: A Tutorial on the Measurement of Change in Clinical Speech and Language Research
Notice bibliographique
Résumé
Purpose Measuring change is a common goal in clinical research, and comparing nonequivalent groups is sometimes a necessity in this context. Yet, evaluating change in this way can be problematic, and little consensus is reported on the best way to conduct such an evaluation. This tutorial presents the process of planning a clinical study designed to measure change in the context of a therapeutic intervention. Method This article presents a hypothetical clinical research scenario and follows the process of study design from question formulation to interpretation of results. The presentation focuses on the use of gain score analysis in the context of nonequivalent participant groups, methods that may be particularly relevant to the clinical context. Conditions that are favorable to gain score use, as well as situations that are problematic for gain score use, are presented. Conclusions In this article, the clinical research process is presented, following a logical process from formulation of a clear research question to selection of an appropriate research design to implementation of an effective analysis method. Gain score analysis is presented as an effective tool to measure change in clinical research, even with nonequivalent groups, given the correct conditions.
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 | 0,342 | 0,298 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,017 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,007 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».