Large scoping reviews: managing volume and potential chaos in a pool of evidence sources
Notice bibliographique
Résumé
Scoping reviews can identify a large number of evidence sources. This commentary describes and provides guidance on planning, conducting, and reporting large scoping reviews. This guidance is informed by experts in scoping review methodology, including JBI (formerly Joanna Briggs Institute) Scoping Review Methodology group members, who have also conducted and reported large scoping reviews. We propose a working definition for large scoping reviews that includes approximately 100 sources of evidence but must also consider the volume of data to be extracted, the complexity of the analyses, and purpose. We pose 6 core questions for scoping review authors to consider when planning, developing, conducting, and reporting large scoping reviews. By considering and addressing these questions, scoping review authors might better streamline and manage the conduct and reporting of large scoping reviews from the planning to publishing stage.
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 | 0,732 | 0,893 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,013 |
| Méta-épidémiologie (sens large) | 0,017 | 0,010 |
| Bibliométrie | 0,076 | 0,060 |
| Études des sciences et des technologies | 0,014 | 0,027 |
| Communication savante | 0,066 | 0,072 |
| Science ouverte | 0,015 | 0,051 |
| Intégrité de la recherche | 0,014 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,005 |
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 ».