Assessing knowledge translation following a pre-cancer diagnosis: a multinational evaluation of online resources targeting patients with cervical dysplasia
Notice bibliographique
Résumé
BACKGROUND: Distressful clinician-to-patient dialogue such as a pre-cancer diagnosis of cervical dysplasia may interfere with information retention. Patient education material provided as an online resource offers a suitable option to review relevant health information outside the clinic. The aim of this study was to evaluate online resources (ORs) affiliated with healthcare institutions across Australia and the United Kingdom (UK) on their effectiveness to translate accessible and current knowledge to patients referred for loop electrosurgical excision procedure (LEEP) treatment. METHODS: A comprehensive directory of ORs related to LEEP was compiled from public hospital websites across Australia and the UK. Quantitative and qualitative methods were applied to evaluate resource reading-level (measured using three validated readability indices); actionability and understandability (measured using the Patient Education Material Assessment Tool [PEMAT]); and content (described using content analysis to assess disclosure practices associated with LEEP-related complications). RESULTS: All ORs (n = 39) exceeded the recommended reading level (Australia: x̄ = 10.07, σ = 1.01; UK: x̄ = 10.17, σ = 0.96). PEMAT results indicated higher percentages of ORs scored as understandable (Australia: 50.0%; UK: 69.7%) versus actionable (Australia: 33.3%; UK: 6.1%). Content analysis revealed widespread discordance in the disclosure of longer-term LEEP complications associated with pregnancy, fertility, and sexual function in both countries. CONCLUSIONS: Disclosures with significant health and wellness implications should be made with clear reference to peer reviewed science. Wider application of purpose-designed health literacy tools could improve measures of readability, actionability and understandability. International collaborations may provide opportunities to develop more comprehensive and patient-centred education materials to improve provider-to-patient knowledge translation.
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 | 0,024 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».