Une approche de synthèse des connaissances par paliers pour informer rapidement les décisions cliniques : méthode et leçons apprises durant la pandémie de COVID-19
Notice bibliographique
Résumé
Introduction : Les approches de synthèses de connaissances classiques peuvent s’avérer difficiles à entreprendre en raison de leur complexité et risquent de s’éloigner de la réalité de la problématique à laquelle elles tentent de répondre. L’objectif de cet article est de présenter une démarche méthodologique pour réaliser une synthèse des connaissances par paliers dans un très court délai, tout en favorisant l’engagement des parties prenantes. Sources d’information : Une synthèse rapide des connaissances pour répondre rapidement à un problème clinique identifié durant la pandémie de COVID-19 a été réalisée en collaboration avec des utilisateurs de connaissances. Discussion : La méthodologie par paliers a allié les méthodes de revue rapide, d’atelier de discussion, de consultation Delphi et de méta-analyse, en engageant les parties prenantes à chaque étape : 1) une revue rapide de revues systématiques a permis d’éclairer de façon générale les décisions cliniques en quelques semaines, 2-3) un atelier de discussion et une méthode Delphi ont permis respectivement de définir et de prioriser les orientations de l’analyse plus approfondie de la vaste littérature identifiée, 4) une méta-analyse secondaire des données des études primaires a permis de répondre aux demandes spécifiques des utilisateurs de connaissances. La rapidité de la séquence et de l’exécution des méthodes a également mis en évidence les faiblesses méthodologiques dans la conception et l’élaboration des méthodes. Implications et conclusion : Une approche par paliers permet de répondre rapidement aux besoins des utilisateurs de connaissances tout en assurant la pertinence et la qualité des résultats pour soutenir la prise de décision.
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 | 0,038 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,016 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».