Can administrative data be used to research health visiting in England? A completeness assessment of the Community Services Dataset
Notice bibliographique
Résumé
Introduction: Health visiting is a community service provided to families with children under five in England and is a key focus of early years policy. Individual-level data on health visiting is captured in the Community Services Data Set (CSDS), an administrative dataset of publicly funded community services across England. Analyses of CSDS are considered experimental as the dataset matures. Objectives: In this study, we aimed to identify health visiting contacts in the CSDS and assess the completeness of these data from 2016/17 to 2019/20 compared to external reference data. Methods: We identified the number of the four mandated postnatal health visiting contacts delivered, excluding those scheduled but not attended, between April 2016 and March 2020. We compared counts by local authority (LA) and financial quarter against the Office for Health Improvement and Disparities' Health Visitor Service Delivery Metrics (HVSDM) to identify a subnational subset of complete CSDS data. We explored the representativeness of this subset. Results: During the study period, 10.2 million health visiting contacts were delivered to 2.4 million children in England. Of these, we identified 3.9 million mandated contacts based on CSDS codes and age at time of contact, which represented 44.7% of all mandated contacts reported in the HVSDM for the same period. There were 63 LAs with complete CSDS data in at least one quarter, which were broadly representative of English LAs overall. Variables related to staff characteristics were highly missing and only 13 LAs had four or more successive quarters of complete data needed for longitudinal, child-level analyses. Conclusions: We identified a subnational subset of complete CSDS data, compared to external reference data, which can be used for health visiting research. Until improvements are made to its completeness, analyses (particularly those requiring longitudinal data) may not be generalisable to the whole child population.
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 | 0,028 | 0,191 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,015 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».