Helping Trainees Understand the Strategies to Minimize Errors and Biases in Systematic Review Approaches
Notice bibliographique
Résumé
Over the past few decades, there has been major development in methods for evidence synthesis, which can lead to confusion as to which approaches to use and why. Several strategies can be used in systematic review approaches to reduce potential biases and errors. These strategies can be considered on a spectrum ranging from least to most likely to minimize biases and errors in the review process. Building on the existing literature of synthesis methods and biases, a five-level spectrum of systematicity in reviews is proposed in this paper. For each of the main steps of the review process (i.e. search, selection, data extraction, appraisal, and synthesis), potential biases are presented. Then, strategies are suggested and ordered based on their influence on potential biases and errors in the review process. The levels of systematicity suggested can help to distinguish the reviews based on their rigour. This paper can contribute to improving understanding of the variety of strategies that can be used at the different steps of a review process. This can be particularly useful for students and novice researchers seeking to understand the potential sources of bias and to choose suitable strategies for their review.
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 | 0,492 | 0,757 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,014 | 0,008 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,010 | 0,018 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
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 ».