Conceptual comparison of constructs as first step in data harmonization: Parental sensitivity, child temperament, and social support as illustrations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This article presents a strategy for the initial step of data harmonization in Individual Participant Data syntheses, i.e., making decisions as to which measures operationalize the constructs of interest - and which do not. This step is vital in the process of data harmonization, because a study can only be as good as its measures. If the construct validity of the measures is in question, study results are questionable as well. Our proposed strategy for data harmonization consists of three steps. First, a unitary construct is defined based on the existing literature, preferably on the theoretical framework surrounding the construct. Second, the various instruments used to measure the construct are evaluated as operationalizations of this construct, and retained or excluded based on this evaluation. Third, the scores of the included measures are recoded on the same metric. We illustrate the use of this method with three example constructs focal to the Collaboration on Attachment Transmission Synthesis (CATS) study: parental sensitivity, child temperament, and social support. This process description may aid researchers in their data pooling studies, filling a gap in the literature on the first step of data harmonization.•Data harmonization in studies using combined datasets is of vital importance for the validity of the study results.•We have developed and illustrated a strategy on how to define a unitary construct and evaluate whether instruments are operationalizations of this construct as the initial step in the harmonization process.•This strategy is a transferable and reproducible method to apply to the data harmonization process.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle