Design and implementation of data quality controls in the EQ-DAPHNIE study: insights from the pilot phase and 15-country analysis
Notice bibliographique
Résumé
OBJECTIVE: The EQ-DAPHNIE (EuroQol Data for Assessment of Population Health Needs and Instrument Evaluation) project is a large, multi-country survey initiative designed to generate population norms and enable comparative research using self-reported health measures. This paper describes the quality control processes and summarizes data quality metrics from the United Kingdom (UK) pilot and full implementation across 15 countries. METHODS: Representative samples were recruited via Dynata, an online survey panel provider, using quota sampling by age, sex, income, community setting, and language (where applicable). The UK pilot (n = 3012) informed survey refinements ahead of full rollout (n = 68,411). Quality metrics included completion rates, bot detection, speeding, missing data, outliers, and quota achievement. RESULTS: Across countries, response rates ranged from 80.1 to 100%, with completion rates varying widely (22.9% in Brazil to 60.8% in Japan; average 42.4%). Bot exclusions averaged 3.0%, peaking in China (11.7%). Speeding was low (0.3% average), and duplicate records were rare. Completion times ranged from 18.3 (France) to 31.4 min (New Zealand). Missing data varied substantially (0.0-48.7%), with Japan and Spain showing the least. Quota fulfillment ranged from 68.7 to 98.6%. Consistency checks showed strong agreement for repeated items-marital status (92.8-98.9%) and age (92.3-98.7%). CONCLUSIONS: The quality control measures implemented throughout the EQ-DAPHNIE project effectively addressed common issues such as bot responses, speeding, and missing data, resulting in generally high-quality and representative datasets. However, variability across countries underscores the need to account for quality indicators when using the data for norm-setting or cross-country comparisons.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,266 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes 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 ».