Developing and Validating a User-Friendly Quality Benchmark: Enhancing the Integrity of Online Health Information for Patients and Clinicians
Notice bibliographique
Résumé
The quality of online health information remains one of the leading causes in combating misinformation for patients and the public. However, assessing online health content is challenging for those without medical expertise. This article briefly outlines the development and validation of an evidence-based online health information evaluation tool. A systematic approach with five phases was adopted: (1) synthesizing the current state of the reliability of online health information, (2) conducting content analysis of existing quality assessment tools, (3) drafting a comprehensive list of quality criteria, (4) developing and validating a quality benchmark, and (5) disseminating the results. Collaborative input from healthcare providers, patients, caregivers, and the public developed and validated a quality benchmark. The quality benchmark consists of 5 quality criteria and 8 accompanying descriptions that define each quality criterion. A printable version of the benchmark is provided in the article to facilitate easy implementation by both patients and healthcare providers. The benchmark is recommended for use and intended to empower patients with a skill set to navigate through online misinformation, facilitating access to credible health information and promoting improved health outcomes.
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 | 0,439 | 0,550 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,012 | 0,009 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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; 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 ».