Notice bibliographique
Résumé
We thank Drs. Basu and Galvani for their observations (1) on our paper (2). However, we disagree with several of their comments. We did not assert that our multiparameter likelihood-based approach was superior to alternative calibration techniques, including Bayesian approaches. Rather, we emphasized the lack of consensus on an ideal approach, credited the “theoretical appeal” of Bayesian methods, and discussed the limitations of our own methods. We suggested that our approach would “appeal to epidemiologists” because of the empirical value of using the full complement of data from a credible cohort study to demonstrate the validity of the model. Van de Velde et al. (3) recently published an elegant analysis of parameter uncertainty in a model of vaccine effectiveness, based on similar principles. We noted in our paper (2) that Bayesian techniques require “meaningful” prior distributions (not “informative” priors, as Basu and Galvani mistakenly claim), to highlight the uncontested view that priors are a critical component of Bayesian methods (4). Indeed, uninformed priors may be “meaningful,” since they can reflect the uncertainty of knowledge at baseline. Basu and Galvani state that our approach “is not capable of discriminating among ‘good-fitting’ parameter sets” (1, p. 983). While we agree that a Bayesian approach can offer “specific criteria… for distinguishing among alternative model structures,” we believe that in view of the biologic complexity of the natural history of human papillomavirus (HPV) infection and cervical cancer, capturing the uncertainty, as we did, is more important than using statistical constructs to discriminate among alternative model specifications.
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 | 0,008 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,040 | 0,057 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,015 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».