Priority setting for new systematic reviews: processes and lessons learned in three regions in Africa
Notice bibliographique
Résumé
Priority setting to identify topical and context relevant questions for systematic reviews involves an explicit, iterative and inclusive process. In resource-constrained settings of low-income and middle-income countries, priority setting for health related research activities ensures efficient use of resources. In this paper, we critically reflect on the approaches and specific processes adopted across three regions of Africa, present some of the outcomes and share the lessons learnt while carrying out these activities. Priority setting for new systematic reviews was conducted between 2016 and 2018 across three regions in Africa. Different approaches were used: Multimodal approach (Central Africa), Modified Delphi approach (West Africa) and Multilevel stakeholder discussion (Southern-Eastern Africa). Several questions that can feed into systematic reviews have emerged from these activities. We have learnt that collaborative subregional efforts using an integrative approach can effectively lead to the identification of region specific priorities. Systematic review workshops including discussion about the role and value of reviews to inform policy and research agendas were a useful part of the engagements. This may also enable relevant stakeholders to contribute towards the priority setting process in meaningful ways. However, certain shared challenges were identified, including that emerging priorities may be overlooked due to differences in burden of disease data and differences in language can hinder effective participation by stakeholders. We found that face-to-face contact is crucial for success and follow-up engagement with stakeholders is critical in driving acceptance of the findings and planning future progress.
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 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 | 0,016 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».