Narrative bias (“spin”) is common in randomised trials and systematic reviews of cannabinoids for pain
Notice bibliographique
Résumé
ABSTRACT: We define narrative bias as a tendency to interpret information as part of a larger story or pattern, regardless of whether the facts support the full narrative. Narrative bias in title and abstract means that results reported in the title and abstract of an article are done so in a way that could distort their interpretation and mislead readers who had not read the whole article. Narrative bias is often referred to as "spin." It is prevalent in abstracts of scientific papers and is impactful because abstracts are often the only part of an article read. We found no extant narrative bias instrument suitable for exploring both efficacy and safety statements in randomized trials and systematic reviews of pain. We constructed a 6-point instrument with clear instructions and tested it on randomised trials and systematic reviews of cannabinoids and cannabis-based medicines for pain, with updated searches to April 2021. The instrument detected moderate or severe narrative bias in the title and abstract of 24% (8 of 34) of randomised controlled trials and 17% (11 of 64) of systematic reviews; narrative bias for efficacy and safety occurred equally. There was no significant or meaningful association between narrative bias and study characteristics in correlation or cluster analyses. Bias was always in favour of the experimental cannabinoid or cannabis-based medicine. Put simply, reading title and abstract only could give an incorrect impression of efficacy or safety in about 1 in 5 papers reporting on these products.
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 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 | 0,085 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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) | 0,000 | 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; les deux têtes enseignantes 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 ».