To use or not to use: ERIC database for medical education research
Notice bibliographique
Résumé
Introduction Bibliographic databases are essential research tools. In medicine, key databases are MEDLINE/PubMed, Embase, and Cochrane Central (MEC). In education, the Education Resource Information Center (ERIC) is a major database. Medical education, situated between medicine and education, has no dedicated database of its own. Many medical education researchers use MEC, some use ERIC and some do not.Methods We performed a descriptive analysis using search strategies to retrieve medical education references from MEC and ERIC. ERIC references which were duplicates with MEC references were removed. Unique ERIC references were tallied.Results Between 1977 and 2022, MEC has 359,354 unique references relevant to medical education. ERIC provided 3925 unique references for the same period, all of which would be missed by searching only MEC. The mean unique ERIC medical education references per year for all 46 years is 85 (SD = ±29), or 119 (SD = ±15) for the last 10 years from 2013 to 2022.Conclusion ERIC consistently offered a small yet significant number of unique references relevant to medical education for decades. We recommend the use of ERIC for medical education research when comprehensive literature searches are required, such as in systematic reviews, scoping reviews, evidence synthesis, or guideline development.
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 | 0,065 | 0,356 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,011 | 0,003 |
| Bibliométrie | 0,050 | 0,073 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,016 | 0,019 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,299 | 0,122 |
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 ».