Slides from presentation “Why is high quality practice-based evidence important and how to achieve it?.” Canadian Psychological Association (CPA) Convention, Toronto, June 23, 2023.
Notice bibliographique
Résumé
Presentation abstract: Critical issues In a scientific world where randomised controlled trials (RCTs) are seen as the golden standard, practice-based evidence has a bad name. However, done well, it can provide high quality data, potentially large numbers, with strong generalizability to clinical populations. Ideas presented Traditionally, what are the problems with practice-based evidence? What are the benefits of practice-based evidence (from clinical practice)? What is current best UK practice to enable high quality data with high data capture rates? What is the difference between pre-and post-treatment effect sizes, ‘recovery rates’, and ‘reliable improvement’/’reliable deterioration’/’no reliable change’ using Reliable Change Index, and which is tempting to use but not as useful? How introducing variance can help control for extraneous variables? An example of how high quality practice-based evidence could be achieved will be provided. Methods used to encourage participants to share Participants will be encouraged to discuss questions about how to take these ideas forward in small groups of twos or threes and then feed back to the main discussion. Why these issues are important Typically research is left to researchers who need large research grants. Many clinicians consider themselves to be scientific practitioners but are not necessarily equipped to do high quality practice-based research.
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 | 0,015 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,008 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,376 | 0,234 |
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 ».