Biased measure, strong evidence?—An overview of common risk of bias in measurement
Notice bibliographique
Résumé
Although nurses, whether researchers or clinicians, may use measuring instruments in their daily practice, instruments deemed credible sometimes present with several undisclosed biases. These biases can undermine the credibility of the results obtained from their use in research or practice. This article aims to synthesize the most frequent biases of instruments to allow nurse researchers and clinicians to recognize them when exposed to new instruments or undertake an original instrument's development. The types of biases and relevant management strategies are classified into four categories: conceptual, methodological, response and contextual. The strategies recommended by measurement experts address biases introduced in developing, testing, and validating instruments. This article provides an overview of recommended practices for their development and testing. It is expected that this article will contribute to raise awareness of nurse researchers and clinicians towards the possible limitations and biases in using instruments and refine their critical thinking about measurement in their respective fields.
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 | 0,583 | 0,766 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,011 | 0,010 |
| Bibliométrie | 0,044 | 0,031 |
| Études des sciences et des technologies | 0,007 | 0,037 |
| Communication savante | 0,025 | 0,032 |
| Science ouverte | 0,010 | 0,021 |
| Intégrité de la recherche | 0,017 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».