Data Quality in the Ontario Midwifery Program Database, 2006 to 2009
Notice bibliographique
Résumé
Objective: To identify common errors in midwifery data collection and provide midwives with the rationales behind data cleaning, the importance of reliable data, and the links between data collection, research studies, and evidence-based care. Methods: A database containing records of all women who received midwifery care in Ontario that was invoiced to the Ministry of Health and Long-Term Care between April 1, 2006, and March 31, 2009, was obtained. Data cleaning was performed to assure that the data set was as complete and accurate as possible. Duplicate records were identified and removed. Missing, inconsistent, and implausible data were identified and corrected where possible or removed. Results: Common data errors included inappropriate use of open text fields and drop-down menus, incorrect interpretation of “planned place of birth,” reporting of outcomes that should be mutually exclusive, and reporting of incorrect, incomplete, or missing information. Discussion: Midwives have an important role in the collection of health information that is complete and accurate. Several common errors were identified that, if corrected, would improve the quality of midwifery data and in turn would contribute to high‐quality research, which will inform midwifery practice, policy‐makers, and women and their families about midwifery care. This article has been peer reviewed.
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 | 0,038 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».