Improving the Reporting of Primary Care Research: An International Survey of Researchers
Notice bibliographique
Résumé
PURPOSE: To assess opportunities to improve reporting of primary care (PC) research to better meet the needs of its varied users. METHODS: International, interprofessional online survey of PC researchers and users, 2018 to 2019. Respondents used Likert scales to rate frequency of difficulties in interpreting, synthesizing, and applying PC research reports. Free-text short answers were categorized by template analysis to record experiences, concerns, and suggestions. Areas of need were checked across existing reporting guidelines. RESULTS: Survey yielded 255 respondents across 24 nations, including 138 women (54.1%), 169 physicians (60%), 32 scientists (11%), 20 educators (7%), and 18 public health professionals (6%). Overall, 37.4% indicated difficulties using PC research reports "50% or more of the time." The most common problems were synthesizing findings (58%) and assessing generalizability (42%). Difficulty was reported by 49% for qualitative, 46% for mixed methods, and 38% for observational research. Most users wanted richer reporting of theoretical foundation (53.7%); teams, roles, and organization of care (53.4%); and patient involvement in the research process (52.7%). Few reported difficulties with ethics or disclosure of funding or conflicts. Free-text answers described special challenges in reporting PC research: context of clinical care and setting; practical details of interventions; patient-clinician and team relationships; and generalizability, applicability and impact in the great variety of PC settings. Cross-check showed that few current reporting guidelines focus on these needs. CONCLUSIONS: Opportunities exist to improve the reporting of PC research to make it more useful for its many users, suggesting a role for a PC research reporting guideline.
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 | 0,031 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; 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 ».