Measurement of Preconception Health Knowledge: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Preconception health is an important determinant of maternal, paternal, and infant outcomes. Knowledge is commonly used to evaluate the effectiveness of interventions to promote preconception health. Our objective was to examine how preconception health knowledge has been measured in the existing literature and to identify measurement gaps, biases, and logistical challenges. DATA SOURCE: MEDLINE, EMBASE, PsycINFO, CINAHL, the Cochrane Database of Systematic Reviews, and gray literature were searched from database inception to January 2018. STUDY INCLUSION AND EXCLUSION CRITERIA: Studies were included if they measured preconception or interconception health knowledge and included reproductive-aged women and/or men. DATA EXTRACTION: Two independent reviewers completed data extraction and quality appraisal using standardized instruments. DATA SYNTHESIS: Due to measurement heterogeneity, a narrative synthesis was performed. RESULTS: The review included 34 studies from 14 countries with data collected in 2000 to 2017. Most studies used cross-sectional (n = 24) or prepost designs (n = 7). Studies primarily sampled women (n = 25), and methodological quality was rated largely as weak (n = 18) or moderate (n = 14). Preconception health knowledge tools focused on fertility, folic acid, and alcohol, with few questions pertaining to men's health, mental health, or the interconception period. Only 19 (56%) studies reported psychometric properties of their knowledge tools. CONCLUSIONS: This systematic review revealed the need for a valid and reliable knowledge tool that reflects a holistic conceptualization of preconception health.
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.
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 | 0,014 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle