4 M's to make sense of evidence – Avoiding the propagation of mistakes, misinterpretation, misrepresentation and misinformation
Notice bibliographique
Résumé
Osteopaths are expected to keep up to date with research evidence relevant to their clinical practice and to integrate this knowledge with their own experience and their patients' values and preferences. One of the potential challenges when engaging with research is to make sense of it, to decide if it is trustworthy, and if it is applicable to the complex and context-sensitive nature of clinical practice and the care of individual people. Clinicians are increasingly exposed to (deliberate and undeliberate) misinformation and overstatements which propagate easily, including via social media. This masterclass aims to facilitate critical thinking and engagement in research for clinicians to make better-informed decisions with their patients. It was developed to support osteopaths facing these questions with the aim of empowering them to judge research themselves, detect common fallacies in the conduct and reporting of different research designs, and to increase researchers' accountability. Ultimately, we hope that by reading and considering the guidance and examples in this paper, clinicians will be better equipped to optimise the use of their (and their patients') time when facing potential sources of evidence. Mistakes, misinterpretation, misrepresentation and misinformation are discussed for each of these methods/methodologies: case reports, clinical trials, qualitative research, and reviews.
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 | 0,205 | 0,325 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,050 |
| Communication savante | 0,019 | 0,030 |
| Science ouverte | 0,004 | 0,020 |
| Intégrité de la recherche | 0,014 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».