The revised JBI critical appraisal tool for the assessment of risk of bias for analytical cross-sectional studies
Notice bibliographique
Résumé
Cross-sectional studies are a useful observational study design that provide a snapshot of a population's health status at a specific moment in time. Analytical cross-sectional studies are often included in systematic reviews investigating the etiology or risk of diseases, and descriptive cross-sectional studies are often used to determine the prevalence of a disease. As required of all studies that meet eligibility criteria for a systematic review, analytical cross-sectional studies should be subjected to appropriate critical appraisal of their methodological quality to determine the risk of bias. The JBI Effectiveness Methodology Group is currently undertaking a comprehensive revision of the entire suite of JBI critical appraisal tools to align with recent advances in risk of bias assessment. This paper presents the revised critical appraisal tool for risk of bias assessment of analytical cross-sectional studies. Applying tools such as the revised JBI tools within systematic reviews allows end users to make informed decisions using the evidence. We discuss major changes from the previous iterations of this tool and justify these changes within the context of the broader advancements to risk-of-bias assessment science. We also offer practical guidance for the use of this revised tool, and provide examples for interpreting the results of risk-of-bias assessment for analytical cross-sectional studies to support reviewers including these studies in their systematic reviews.
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 | 0,601 | 0,857 |
| Méta-épidémiologie (sens strict) | 0,009 | 0,008 |
| Méta-épidémiologie (sens large) | 0,017 | 0,036 |
| Bibliométrie | 0,046 | 0,035 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,020 | 0,013 |
| Science ouverte | 0,012 | 0,016 |
| Intégrité de la recherche | 0,012 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,012 |
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 ».