Evidence attack in public health: Diverse actors’ experiences with translating controversial or misrepresented evidence in health policy and systems research
Notice bibliographique
Résumé
Bringing evidence into policy and practice discussions is political; more so when evidence from health studies or programme data are deemed controversial or unexpected, or when results are manipulated and misrepresented. Furthermore, opinion and misinformation in recent years has challenged our notions about how to achieve evidence-informed decision-making (EIDM). Health policy and systems (HPS) researchers and practitioners are battling misrepresentation that only serves to detract from important health issues or, worse, benefit powerful interests. This paper describes cases of politically and socially controversial evidence presented by researchers, practitioners and journalists during the Health Systems Research Symposium 2020. These cases cut across global contexts and range from public debates on vaccination, comprehensive sexual education, and tobacco to more inward debates around performance-based financing and EIDM in refugee policy. The consequences of engaging in controversial research include threats to commercial profit, perceived assaults on moral beliefs, censorship, fear of reprisal, and infodemics. Consequences for public health include research(er) hesitancy, contribution to corruption and leakage, researcher reflexivity, and ethical concerns within the HPS research and EIDM fields. Recommendations for supporting researchers, practitioners and advocates include better training and support structures for responding to controversy, safe spaces for sharing experiences, and modifying incentive structures.
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 | 0,395 | 0,388 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,046 | 0,124 |
| Communication savante | 0,071 | 0,045 |
| Science ouverte | 0,007 | 0,066 |
| Intégrité de la recherche | 0,028 | 0,041 |
| 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; 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 ».