Depression in cancer: quality assessment of online patient education resources
Notice bibliographique
Résumé
OBJECTIVE: Psychiatric comorbidities are common among cancer patients. However, little is known about the quality of online information regarding these conditions. This study uses a validated tool to systematically determine the strengths and limitations of websites addressing depression in cancer patients. METHODS: The term "depression in cancer patients" was searched online using the search engines Google, Yippy, and Dogpile. A set of predetermined inclusion/exclusion criteria was applied to all search results, which yielded 48 websites for inclusion. A validated rating tool was used to score the websites based on the six domains of Affiliation, Accountability, Interactivity, Structure & Organization, Readability, and Content Quality. The results were analyzed using descriptive statistics. RESULTS: Of the 48 websites evaluated, 50% were commercial. 63% of websites identified authorship, 54% cited reliable sources, 37% provided links, and 38% were updated within the last 2 years. 94% of websites featured a search engine and 60% had at least four structural tools. Average readability was at a grade 12.3 level using the Flesch-Kincaid scale and 11.3 using the Simple Measure of Gobbledygook Index. The most completely and accurately covered topics of depression were symptoms and treatment-83% and 73% respectively. Its prevention and prognosis were not covered by any of the websites. CONCLUSIONS: A validated rating tool was applied to evaluate the quality of online information for depression in cancer patients. Website accountability was poor, readability was often at a level that is too difficult for the lay audience, and the topics of prevention and prognosis were seldom covered.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».