Assessment of confidence in medical writing: Development and validation of the first trustworthy measurement tool
Notice bibliographique
Résumé
BACKGROUND: The popularity of medical writing workshops highlights the need for a standard measurement tool to assess the impact of such workshops on participants' confidence in: 1- writing a standard article and 2- using optimal English language. Because such an instrument is not yet available, we undertook this study to devise and evaluate the first measurement tool to assess such confidence. METHOD: We created an item pool of 50 items by searching Medline, Embase, and Clarivate Analytics to find related articles, using our prior experience, and approaching the key informants. We revised and edited the item pool, and redundant ones were excluded. Finally, the 36-item tool comprised two domains. We tested it in a group of workshop applicants for internal consistency and temporal reliability using Cronbach's α and Pearson correlations and for content and convergent validity using the content validity index and Pearson correlations. RESULTS: The participants had a mean age of 40.3 years, a female predominance (74.3%), and a majority of faculty members (51.4%). The internal consistency showed high reliability (> 0.95). Test-retest reliability showed very high correlations (r = 0.93). The CVI for domain 1 was 0.78, for domain 2 was 0.73, and for the entire instrument was 0.75. CONCLUSION: This unique, reliable, and valid measurement tool could accurately measure the level of confidence in writing a standard medical article and in using the appropriate English language for this purpose.
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 | 0,072 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».