How common is patient and public involvement (PPI)? Cross-sectional analysis of frequency of PPI reporting in health research papers and associations with methods, funding sources and other factors
Notice bibliographique
Résumé
OBJECTIVES: Patient and public involvement (PPI) in health research is required by some funders and publications but we know little about how common it is. In this study we estimated the frequency of PPI inclusion in health research papers and analysed how it varied in relation to research topics, methods, funding sources and geographical regions. DESIGN: Cross-sectional. METHODS: ) that requires a statement on whether studies included PPI. We classified each paper as 'included PPI' or 'did not include PPI' and analysed the association of this classification with location (country or region of the world), methods used, research topic (journal section) and funding source. We used adjusted regression models to estimate incident rate ratios of PPI inclusion in relation to these differences. RESULTS: 618 (20.6%) of the papers in our sample included PPI. The proportion of papers including PPI varied in relation to location (from 44.5% (95% CI 40.8% to 48.5%) in papers from the UK to 3.4% (95% CI 1.5% to 5.3%) in papers from China), method (from 38.6% (95% CI 27.1% to 50.1%) of mixed-methods papers to 5.3% (95% CI -1.9% to 12.5%) of simulation papers), topic (from 36.9% (95% CI 29.1% to 44.7%) of papers on mental health to 3.4% (95% CI -1.3% to 8.2%) of papers on medical education and training, and funding source (from 57.2% (95% CI 51.8% to 62.6%) in papers that received funding from the UK's National Institute for Health Research to 3.4% (95% CI 0.7% to 6.0%) in papers that received funding from a Chinese state funder). CONCLUSIONS: Most research papers in our sample did not include PPI and PPI inclusion varied widely in relation to location, methods, topic and funding source.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».