Nutrition Users’ Guides: an introduction to structured guides to evaluate the nutrition literature
Notice bibliographique
Résumé
Despite evidence that nutrition can play a substantial role in curbing the burden of chronic disease, findings reported in the nutrition literature have been plagued with debate and uncertainty, including questions about the confidence we can place in evidence from observational studies, the validity of dietary intake data, and the applicability of randomised trials to real-world patients or members of the public. Structured nutrition users' guides (NUGs) to evaluate common research study designs (ie, randomised trials, cohort studies, systematic reviews and clinical practice guidelines) addressing nutrition questions will help clinicians and their patients, as well as health service workers and policy-makers, use the evidence to make more informed decisions on disease management and prevention. In addition, NUGs will provide comprehensive teaching materials for nutrition trainees on how to appraise, interpret and apply the research evidence. We hereby introduce a series of structured NUGs for the literature on nutrients, foods and dietary patterns and programmes. Each article will address three key components when assessing different study designs used to assess nutrition interventions or exposures, including (1) assessing the methodological quality of the study, (2) interpreting study results (magnitude and precision of treatment or exposure effects for outcomes of benefit and harm) and (3) applying the results to unique patient or population scenarios based on their health-related values and preferences related to the potential benefits, harms, convenience and cost of an intervention. This series of articles will serve to empower clinicians, health service workers and health policy-makers to better understand the validity, interpretability and applicability of the nutrition literature, while also helping practitioners and their clients make more evidence-based, value-sensitive and preference-sensitive nutrition decisions.
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 | 0,040 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,013 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,054 |
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 ».