MétaCan
Menu
Retour à la cohorte
Enregistrement W4360866250 · doi:10.3389/fvets.2023.1107122

Capturing systematically users' experience of evaluation tools for integrated AMU and AMR surveillance

2023· article· en· W4360866250 sur OpenAlexaff
Lis Alban, Marion Bordier, Barbara Häsler, Lucie Collineau, Laura Tomassone, Houda Bennani, Cécile Aenishaenslin, Madelaine Norström, Maurizio Aragrande, Maria‐Eleni Filippitzi, Pedro Moura, Marianne Sandberg

Notice bibliographique

RevueFrontiers in Veterinary Science · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTravel-related health issues
Établissements canadiensUniversité de Montréal
Organismes subventionnairesMedical Research CouncilMinistère de l'Agriculture et de l'AlimentationJoint Programming Initiative on Antimicrobial Resistance
Mots-clésComputer scienceSWOT analysisStrengths and weaknessesRisk analysis (engineering)Process managementData scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Tackling antimicrobial resistance (AMR) is a goal for many countries. Integrated surveillance of antimicrobial use (AMU) and resistance is a prerequisite for effective risk mitigation. Regular evaluation of any surveillance is needed to ensure its effectiveness and efficiency. The question is how to evaluate specifically integrated surveillance for AMU and AMR. In an international network called CoEvalAMR, we have developed guidelines for selection of the most appropriate tools for such an evaluation. Moreover, we have assessed different evaluation tools as examples using a country case format and a methodology with a focus on the user's experience. This paper describes the updated methodology, which consists of a brief introduction to the case and to the tool separately. Moreover, there are 12 functional aspects and nine content themes which should be scored using a 4-tiered scale. Additionally, four Strengths, Weaknesses, Opportunities, Threats (SWOT) questions should be addressed. Results are illustrated using radar diagrams. An example of application of the updated methodology is given using the ECoSur evaluation tool. No tool can cover all evaluation aspects comprehensively in a user-friendly manner, so the choice of tool must be based upon the specific evaluation purpose. Moreover, adequate resources, time and training are needed to obtain useful outputs from the evaluation. Our updated methodology can be used by tool users to share their experience with available tools, and hereby assist other users in identifying the most suited tool for their evaluation purpose. Additionally, tool developers can get valuable information for further improvements of their tool.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,088
score de la tête « metaresearch » (Gemma)0,209
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,088
Score d'incertitude au seuil0,464

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0880,209
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,004
Études des sciences et des technologies0,0020,002
Communication savante0,0070,007
Science ouverte0,0020,006
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,080
Tête enseignante GPT0,375
Écart entre enseignants0,296 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Veterinary ScienceMême sujetTravel-related health issuesTravaux en français237 207