Additional file 1: of Positive predictive value of medical student specialty choices
Notice bibliographique
Résumé
Table S1. Population characteristics. Table S2. Time-related trends for Positive and Negative Predictive Value (PPV and NPV, respectively) and Sensitivity and Specificity within specialties. Table S3a. End of Year 1 – P values for differences in Positive Predictive value (PPV), Negative Predictive Value (NPV), Sensitivity (Sens) and Specificity (Spec) of 1st choice among specialties. Table S3b. End of Year 2 – P values for differences in Positive Predictive value (PPV), Negative Predictive Value (NPV), Sensitivity (Sens) and Specificity (Spec) of 1st choice among specialties. Table S3c. End of Year 3 – P values for differences in Positive Predictive value (PPV), Negative Predictive Value (NPV), Sensitivity (Sens) and Specificity (Spec) of 1st choice among specialties. Table S4. Step 1 scores by match specialty for 2014-15 First Year Residents who graduated from U.S. and Canadian medical schools and for University of Colorado School of Medicine (CUSOM) students who matched during 2011-2015. Table S5. Year 2 predictions (by 1st choice) of postgraduate training specialty categorized by actual postgraduate specialty. Figure S1. Study population flow diagram. (DOCX 102 kb)
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 | 0,002 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,756 | 0,091 |
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 ».