MétaCan
Menu
Retour à la cohorte
Enregistrement W4392108397 · doi:10.15173/m.v1i44.3621

Sharing Science Made Simple: Exploring the Quality and Readability of Published Lay Summaries

2024· article· en· W4392108397 sur OpenAlexvenueno aff
Anjana Sudharshan, Breanna Khameraj, David Budincevic, Negar Halabian

Notice bibliographique

RevueThe Meducator · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueSemantic Web and Ontologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReadabilitySimple (philosophy)Quality (philosophy)Data scienceComputer scienceManagement scienceEngineeringEpistemology

Résumé

récupéré en direct d'OpenAlex

Lay summaries exist to bridge the gap that separates the scientific community from the general public. To foster improved science communication, this study examined the overall quality and readability of published lay summaries across peer-reviewed journals. We obtained 200 lay summaries published in four science journals: eLife, PLOS Medicine, Proceedings of the National Academy of Science (PNAS), and the Journal of Hepatology. Over 900 students across three semesters participated as raters of each summary using a rubric developed to assess the overall quality, accuracy, and accessibility of lay summaries across these journals. The Flesch Reading Ease formula was used to determine the readability of the highest and lowest scoring summaries from each journal. eLife and the Journal of Hepatology had the highest and lowest mean scores for overall quality of 15.6 and 11.7 out of 20, respectively. There were statistically significant differences in accuracy and accessibility found across all journals (p<0.0001). eLife had the highest scoring lay summary for readability. The differences in and lack of consistent scoring across journals with the rubric indicate that deficits exist in the overall quality and readability of published lay summaries. These findings may support the development of guidelines that incorporate elements of the rubric used to write effective lay summaries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,704
Score d'incertitude au seuil0,757

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,107
Tête enseignante GPT0,353
Écart entre enseignants0,247 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe MeducatorMême sujetSemantic Web and OntologiesTravaux en français237 207