Notice bibliographique
Résumé
Whenever developing training competencies, tools to support clinical practice or a response to a professional issue, seeking the opinion of experts is a common approach. By working to identify a consensus position, researchers can report findings on a specific question (or set of questions) that are based on the knowledge and experience of experts in their field. However, there are challenges to this approach. For example, what should be done when consensus cannot be reached? How can experts be engaged in a way that allows them to consider objectively the views of others and—where appropriate—change their own opinions in response? One approach that attempts to provide a clear method for gathering expert opinion is the Delphi technique . The Delphi technique was first developed in the 1950s by Norman Dalkey and Olaf Helmer in an attempt to gain reliable expert consensus. Specifically, they developed an approach—named after the Ancient Greek Oracle of Delphi , who could predict the future—which promoted anonymity and avoided direct confrontation between experts, so that the methods employed “…appear to be more conducive to independent thought on the part of the experts and to aid them in the gradual formation of a considered opinion ”.1 Though the original Delphi study was linked to the defence industry, the technique has spread to other research areas, including nursing.2 As with all research methods, the Delphi technique has evolved since it was first reported on in the 1960s. However, many of the fundamental characteristics of the approach still remain from Dalkey and Helmer’s original outline. First, the overarching approach is based on a …
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 | 0,198 | 0,433 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,017 | 0,016 |
| Études des sciences et des technologies | 0,008 | 0,024 |
| Communication savante | 0,025 | 0,035 |
| Science ouverte | 0,005 | 0,012 |
| Intégrité de la recherche | 0,010 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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.
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 ».