Description, Prediction, and Causation in Sport and Exercise Medicine Research: Resolving the Confusion to Improve Research Quality and Patient Outcomes
Notice bibliographique
Résumé
SYNOPSIS: Researchers often assign a label (such as a risk factor or predictor) to a characteristic that is statistically associated with an outcome (such as future injury). Labeling signifies that the characteristic has an established clinical value. More often than not, these labels are assigned prematurely and haphazardly. The rampant practice conflates research goals, the ultimate clinical value of the findings, and many risk factors/predictors that may not warrant the label. To address these issues and improve injury prevention research, we (1) outline the problem; (2) clarify the key differences between the research goals of description, causation, and prediction/prognosis (along with labeling conventions); (3) differentiate the clinical implications for each label; and (4) frame an appropriate scientific process to follow before applying a label. J Orthop Sports Phys Ther 2023;53(7):381–387. Epub: 26 April 2023. doi:10.2519/jospt.2023.11773
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 | 0,230 | 0,448 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,011 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,033 |
| Communication savante | 0,017 | 0,019 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,003 |
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 ».