The elusiveness of representativeness in general population surveys for alcohol
Notice bibliographique
Résumé
Population survey research is limited by biases introduced through the exclusion of sub-populations from the sampling frame and by non-response bias. This is a particular problem for alcohol surveys, where populations such as the homeless and the institutionalised-who consume on average more alcohol than the general population-are usually excluded, and where people who respond to alcohol surveys tend to consume less alcohol than those who do not. These biases lead to the underestimation of alcohol consumption at the population level, which can be corrected for by triangulating alcohol consumption data with population data sources (i.e. taxation and production). Other methods which account for the biases inherent in surveys include triangulation with outcomes (e.g. traffic injuries), calculation of estimates for groups which are outside common sampling frames, and combining probabilistic sampling with new methodologies, such as computer-assisted web interviews. In particular, population surveys do not attract sufficient participation numbers for certain groups, such as the marginalised urban male youths. In this situation, it may be helpful to add estimates generated via respondent-driven sampling or non-probabilistic web panels restricted to a specific group to such population surveys. Additionally, computer-assisted web interviews perform better for sensitive questions, such as those about personal alcohol use. In sum, based on the objectives, the future of survey will need to include statistical modelling, adding data from external sources for validation and combining data from various types of surveys.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».