Assessing the quality of research examining change in children’s mental health in the context of COVID-19
Notice bibliographique
Résumé
In their policy brief on the impact of COVID-19 on children and youth, the United Nations identified the need for “a rapid accumulation of data on the scale and nature of impacts among children.”1(p14) Although an important goal, this call to action defies how research typically unfolds. Science is a slow, methodical process that requires careful consideration of prior evidence, ethics, measurement, sampling, analysis, and implications, to name a few. Still, we appreciate the call to shift priorities and allocate resources to conduct research about this global event. The stakes are high and information is needed to guide us on how children and youth are faring during this unprecedented time. One problem is that sub-standard studies, often released as non-peer reviewed preprints, are being promoted on social media and in news outlets, and this attention can influence the public’s perception of risk, the credibility of scientists, and policy makers’ decisions related to funding and programming. Some scholars and medical professionals see preprints as a necessity during the pandemic to circumvent the lengthy review process and to arm professionals with the most up-to-date data.2 Others see this growing trend as facilitating the spread of misinformation because, unlike scientists who approach non-peer reviewed research with caution, popular news outlets and the public may take preprints at face value.3,4 Our goal is thus to remind readers of what constitutes good science in the field of child and youth mental health.
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 | 0,707 | 0,885 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,025 | 0,032 |
| Études des sciences et des technologies | 0,006 | 0,015 |
| Communication savante | 0,018 | 0,017 |
| Science ouverte | 0,006 | 0,021 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».