Effectiveness of a personalized health profile on specificity of self-management goals among people living with HIV in Canada: findings from a blinded pragmatic randomized controlled trial
Notice bibliographique
Résumé
PURPOSE: To estimate among people living with chronic HIV, to what extent providing feedback on their health outcomes will affect the number and specificity of patient-formulated self-management goals. METHODS: A personalized feedback profile was produced for individuals enrolled in a Canadian HIV Brain Health Now study. Goal specificity was measured by total number of specific words (matched to a domain-specific developed lexicon) per person-words using text mining techniques. RESULTS: Of 176 participants enrolled and randomly assigned to feedback and control groups, 110 responses were received. The average number of goals was similar for both groups (3.7 vs 3.9). The number of specific words used in the goals formulated by the feedback and control group were 642 and 739, respectively. Specific nouns and actionable verbs were present to some extent and "measurable" and "time-bound" words were mainly missing. Negative binomial regression showed no difference in goal specificity among groups (RR = 0.93, 95% CI 0.78-1.10). Goals set by both groups overlapped in 8 areas and had little difference in rank. CONCLUSION: Personalized feedback profile did not help with formulation of high-quality goals. Text mining has the potential to help with difficulties of goal evaluation outside of the face-to-face setting. With more data and use of learning models automated answers could be generated to provide a more dynamic platform.
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 | 0,006 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».