Using social media research in health technology assessment: stakeholder perspectives and scoping review
Notice bibliographique
Résumé
OBJECTIVES: The aim of this initiative was to examine collaboratively, in a multi-stakeholder team (health technology assessment (HTA) practitioners with patient involvement expertise, health technology industry, patient advocates, health policy experts, patient engagement experts), whether evidence generated through social media research (SMR) fills current information gaps relating to insights on specific aspects of patient experiences, preferences, or patient needs and delivers additional value to HTA. METHODS: The framing of the project was done in a co-creative, deliberative multi-stakeholder process. Challenge and refinement happened through discussions with 25 independent stakeholders from HTA bodies, industry, academia, and patient advocacy. For critical themes identified during the framing phase, scoping literature reviews were performed including the state of methods and examples for the use of SMR in HTA. RESULTS: The framing and stakeholder discussions specified a set of expectations and requirements, and the scoping reviews revealed the current state of methods and usage of SMR in health-policy decision making. CONCLUSIONS: The project concluded that SMR can contribute new, relevant evidence to HTA. It is however recommended to evolve the science through defining best practices when planning, conducting, and using SMR and to conduct multi-stakeholder pilot SMR projects to address questions relevant to current HTAs and to validate and improve the proposed practices.
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 | 0,250 | 0,331 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,033 | 0,028 |
| Études des sciences et des technologies | 0,005 | 0,011 |
| Communication savante | 0,020 | 0,019 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,009 | 0,006 |
| 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 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 ».