Assessment of the Readability of Online Patient Education Material from Major Geriatric Associations
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: An increasing number of patients are using the internet to supplement information provided by medical professionals. Online geriatric patient education materials (PEMs) should be written at or below a 6th grade reading level (GRL) that takes into account barriers unique to the geriatric population. The objectives of the study are to assess PEMs of geriatric associations' websites and determine whether they are above the GRL recommended by the Centers for Disease Control and National Institutes of Health. DESIGN: Descriptive and correlational methodology. PEMs from 10 major geriatric associations were assessed for their GRL using 10 scales. Eight of the scales provide a numerical GRL while two of the scales provide a visual representation of the GRLs. Analysis was conducted using Readability Studio 2019.3. SETTING: Analysis was conducted February 2020. PARTICIPANTS: Identified 10 geriatric associations and 884 PEMs. MEASUREMENTS: GRLs were measured by 10 validated readability indices: the Degrees of Reading Power and Grade Equivalent test, Flesch-Kincaid grade level, Simple Measure of Gobbledygook test, Coleman-Liau Index, Gunning Fog Index, New Fog Count, New Dale-Chall readability formula, Ford, Caylor, Sticht scale, Raygor readability estimate graph, and Fry readability graph. RESULTS: The mean of all PEMs using the numerical scales was 11.1 ± 2.4. Ninety-nine percent of PEMs are above the 6th GRL. PEMs ranged from a grade 3.0 to 19.0 reading level. Analysis of variance demonstrated a significant difference between associations (P < .0001), and multiple comparison analysis identified the National Institute on Aging as the content easiest to read (9.5 ± 1.6). CONCLUSION: PEMs from geriatric association websites are written above the recommended 6th GRL. As patients increasingly look toward online supplementary health information during COVID-19, there is an opportunity for improving PEMs to enable greater comprehension by the target population.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».