Notice bibliographique
Résumé
We know very well by now that the institutions managing the epidemiological research environment-agencies, schools and journals-do not sufficiently incentivize getting the best answers to causal questions. 1,2 Sadly, they do not even incentivize asking well-formulated causal questions in the first place. The dominant metrics of success are publication counts, impact factors and external funds received, none of which necessarily reflect the priority of sober and honest accounting of study limitations and biases. If you are a NASA engineer and a spaceship crashes because you messed up, heads are going to roll. But if you are an epidemiologist who told people to eat margarine when they were better off eating butter, you never have to give any money back to the funders. For outright fraud, maybe. Yet for simple incompetence, or even stubborn and wilful incompetence, there are generally no retractions, no penalties, no demotions, no apologies. Thus we perversely incentivize 'spin', obscuring true weaknesses and limitations, selecting the most 'exciting' results to highlight (often gauging excitement by the smallness of the P-value), and anything else short of outright fabrication that gets the submission past the reviewers and into a 'top' journal. The review process itself is played like a football game, dodging and weaving through the opposing team's defences to score a goal. This does not look like a scientific community dedicated to deducing the best answers to the best questions. Rather, this is a sadly cynical portrayal of our field, and one consistent with the paper published in this issue by Blum et al. As they explain, the E-value is a sensitivity analysis for uncontrolled confounding that is dumbed down to a single number. 7 Under some rather bizarre conditions, it represents the minimum strength of an unmeasured confounder that could nullify the reported finding. The inventors of the E-value have been forthright about the rather unrealistic set-up required to boil three parameters of an unmeasured confounder (association with exposure, association with outcome and target-population-specific
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 | 0,030 | 0,176 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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; les deux têtes enseignantes 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 ».