GRADE approach to drawing conclusions from a network meta-analysis using a minimally contextualised framework
Notice bibliographique
Résumé
This article describes GRADE (grading of recommendations assessment, development and evaluation) guidance on how to draw conclusions from a network meta-analysis of interventions that includes individual randomised controlled trials addressing a single outcome. The guidance uses a minimally contextualised approach that avoids value judgments regarding the magnitude of intervention effects. The framework is based on two principles: interventions should be grouped in categories, from the most to the least effective or harmful; and the judgments that place interventions in such categories should simultaneously consider the estimates of effect, the certainty of the evidence, and the rankings. The framework includes five steps, which we describe and illustrate using an example. The framework is simple, methodologically sound, and flexible, allowing for modifications to resolve situations in which additional complexity or value judgments might be appropriate.
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 | 0,393 | 0,774 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,007 |
| Méta-épidémiologie (sens large) | 0,018 | 0,030 |
| Bibliométrie | 0,030 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,007 |
| Communication savante | 0,014 | 0,009 |
| Science ouverte | 0,013 | 0,014 |
| Intégrité de la recherche | 0,013 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,007 |
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 ».