Navigating Data Acquisition and Data Quality Validation of Large Databases: Practical Lessons
Notice bibliographique
Résumé
ObjectiveHave you ever been frustrated when working to acquire data? Have you experienced the trials and tribulations of readying data? ‘Best laid plans often go awry’. ‘A problem shared is a problem halved’ and we’d like to share our experiences and lessons learned with you. We are a Canadian provincial organization with over 20 years experience working with large comprehensive data currently in the midst of validation work on newly acquired data. This behind the scenes and sometimes forgotten work can take considerable time, but it is crucial and integral for research. ApproachData acquisition is complex, particularly when adding new data to existing data files. Many validation steps are vital to ensuring that data used in research are the highest quality possible and limitations are understood. The process began with preparing the agreement and list of new variables to add in 2018 for 4 databases (hospital, drug, physician, emergency), to signatures in 2023, and it is ongoing. While we have a plan to do this work, it requires flexibility and constant updates based on new information learned. ConclusionInvestigating errors, deciding level of acceptance of errors, managing relationships, and communication are the most critical aspects of the work. Contingency plans are important when it takes longer than expected. Data are never perfect, but a thoughtful approach to validation and documentation of limitations and decisions support using the data appropriately. Also, a kind demeanor, an open mind, and a sense of humour can go a long way!
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 | 0,223 | 0,389 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,017 |
| Communication savante | 0,023 | 0,040 |
| Science ouverte | 0,011 | 0,017 |
| Intégrité de la recherche | 0,011 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,006 |
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 ».