Watch your language: An exploration of the use of causal wording in veterinary observational research
Notice bibliographique
Résumé
Observational research may be conducted to predict an outcome or to identify associations between an intervention or risk factor (an "exposure") and an outcome. However, the end goal of observational research often is to identify exposures that can be manipulated to improve an outcome, meaning that the aim is identify causal relationships. Causal inference from observational studies may be appropriate when an exposure-outcome of interest is identified, causal reasoning is used to identify confounders, confounders are adequately controlled, and theoretical issues, such as temporality, are considered. If these conditions are not met, causal inference cannot be made in an observational study. The objective of our study was to explore the use of causal language in veterinary observational studies, and to compare the use of causal language between studies that appear to be predictive or associational in purpose vs. those that appear to be exploring causal relationships. The dataset comprised 200 observational studies in veterinary species published between 2020 and 2022. The majority (117 out of 200) were cross-sectional studies. There were 48 studies that described an exposure-outcome of interest, and we considered these studies to be exploring potential causal relationships; of note, this liberal categorization would be anticipated to overestimate the proportion of studies suitably designed for causal inference. Overall, 172 studies (86%) used causal wording in at least one section of the article. Causal language was used in 128/152 (84%) of studies exploring predictions or associations; this language implies causation when it is not appropriate to do so. In studies designed such that causal inference might be possible, 44/48 (92%) used causal language in one or more sections. There were no substantive differences in the use of causal wording between observational study designs, exposure types, or whether the first author's affiliation was a country in which English is an official language. There is a need for authors of veterinary observational studies to explicitly state the purpose of the study (associational, predictive, or causal), and to use causal wording appropriately based on the aim of the study.
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 | 0,279 | 0,740 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,016 | 0,031 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,012 | 0,021 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 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 ».