Use of advanced topic modeling to generate domains for a preference-based index in osteoarthritis
Notice bibliographique
Résumé
BACKGROUND: Health-related quality of life (HRQL) is an important endpoint when evaluating the effectiveness of interventions in people living with hip and knee osteoarthritis (OA). The aim of this study was to generate domains for a new OA-specific preference-based index of HRQL in people living with hip or knee OA. METHODS: The proposed HRQL index was based on a formative measurement model. The study included people aged 50 years and older, who reported being diagnosed with hip or knee OA. Participants reported the most important areas of their lives affected by OA. BERTopic method was used for topic modeling as part of Natural Language Processing. Hierarchical topic modeling was applied to merge similar topics together. RESULTS: A total of 102 people participated from across Canada. The participants had a mean age of 64.3 ± 7.6 years, and they reported having either knee (48.0%) or hip (16.7%) OA, or both (35.3%). Six major topics that affect the quality of life of people with OA emerged from the BERTopic analysis. Pain, going up and down stairs, walking, standing at home or work, sleep, and playing with grandchildren were the major concerns reported by people living with OA. CONCLUSION: This study used natural language processing to generate domains for a new OA-specific HRQL index that is based on the views of people living with hip or knee OA. Six domains important to people living with OA formed the construct of HRQL. The next steps will be to create items based on the topics generated from this analysis and elicit people's preferences for the different items.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».