Exposure variables in veterinary epidemiology: are they telling us what we think they are?
Notice bibliographique
Résumé
This manuscript summarizes a presentation delivered by the first author at the 2024 symposium for the Calvin Schwabe Award for Lifetime Achievement in Veterinary Epidemiology and Preventive Medicine, which was awarded to Dr. Jan Sargeant. Epidemiologic research plays a crucial role in understanding the complex relationships between exposures and health outcomes. However, the accuracy of the conclusions drawn from these investigations relies upon the meticulous selection and measurement of exposure variables. Appropriate exposure variable selection is crucial for understanding disease etiologies, but it is often the case that we are not able to directly measure the exposure variable of interest and use proxy measures to assess exposures instead. Inappropriate use of proxy measures can lead to erroneous conclusions being made about the true exposure of interest. These errors may lead to biased estimates of associations between exposures and outcomes. The consequences of such biases extend beyond research concerns as health decisions can be made based on flawed evidence. Recognizing and mitigating these biases are essential for producing reliable evidence that informs health policies and interventions, ultimately contributing to improved population health outcomes. To address these challenges, researchers must adopt rigorous methodologies for exposure variable selection and validation studies to minimize measurement errors.
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 | 0,178 | 0,425 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,006 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,019 |
| Communication savante | 0,016 | 0,028 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,011 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».