A PubMed search filter for efficiently retrieving exercise training studies
Notice bibliographique
Résumé
BACKGROUND: A barrier to evidence-informed exercise programming is locating studies of exercise training programs. The purpose of this study was to create a search filter for studies of exercise training programs for the PubMed electronic bibliographic database. METHODS: Candidate search terms were identified from three sources: exercise-relevant MeSH terms and their corresponding Entry terms, word frequency analysis of articles in a gold-standard reference set curated from systematic reviews focused on exercise training, and retrospective searching of articles retrieved in the search filter development and testing steps. These terms were assembled into an exercise training search filter, and its performance was assessed against a basic search string applied to six case studies. Search string performance was measured as sensitivity (relative recall), precision, and number needed to read (NNR). We aimed to achieve relative recall ≥ 85%, and a NNR ≥ 2. RESULTS: The reference set consisted of 71 articles drawn from six systematic reviews. Sixty-one candidate search terms were evaluated for inclusion, 21 of which were included in the finalized exercise-training search filter. The relative recall of the search filter was 96% for the reference set and the precision mean ± SD was 54 ± 16% across the case studies, with the corresponding NNR = ~ 2. The exercise training search filter consistently outperformed the basic search string. CONCLUSION: The exercise training search filter fosters more efficient searches for studies of exercise training programs in the PubMed electronic bibliographic database. This search string may therefore support evidence-informed practice in exercise programming.
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 | 0,061 | 0,112 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».