STUDY PROTOCOL Evaluating the impact of MEDLINE filters on evidence retrieval: study protocol
Notice bibliographique
Résumé
Background: Rather than searching the entire MEDLINE database, clinicians can perform searches on a filtered set of articles where relevant information is more likely to be found. Members of our team previously developed two types of MEDLINE filters. The ‘methods ’ filters help identify clinical research of high methodological merit. The ‘content ’ filters help identify articles in the discipline of renal medicine. We will now test the utility of these filters for physician MEDLINE searching. Hypothesis: When a physician searches MEDLINE, we hypothesize the use of filters will increase the number of relevant articles retrieved (increase ‘recall, ’ also called sensitivity) and decrease the number of non-relevant articles retrieved (increase ‘precision, ’ also called positive predictive value), compared to the performance of a physician’s search unaided by filters. Methods: We will survey a random sample of 100 nephrologists in Canada to obtain the MEDLINE search that they would first perform themselves for a focused clinical question. Each question we provide to a nephrologist will be based on the topic of a recently published, well-conducted systematic review. We will examine the performance of a physician’s unaided MEDLINE search. We will then apply a total of eight filter combinations to the search (filters used in isolation or in combination). We will calculate the recall and precision of each search. The
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 | 0,164 | 0,304 |
| Méta-épidémiologie (sens strict) | 0,009 | 0,007 |
| Méta-épidémiologie (sens large) | 0,019 | 0,012 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,012 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,070 | 0,014 |
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 ».