Understanding and minimizing epidemiologic bias in public health research,” Canadian Journal of Public Health/Revue Canadienne de Sante’e Publique
Notice bibliographique
Résumé
Awareness of potential biases is important for both researchers and policy-makers in public health: for researchers when designing and conducting studies, and for policy-makers when reading study reports and making decisions. This paper explains the meaning and importance of epidemiologic bias in public health and discusses how it arises and what can be done to minimize it. Examples of counting participants in a meeting, to which many policy-makers can relate, are used throughout the paper to illustrate bias in general, random error and systematic error, the effect of sample size, the three main categories of bias (selection, information and confounding), stratification and mathematical modeling. MeSH terms: Bias (epidemiology); epidemiology; selection bias; observer variation; confounding factors (epidemiology) Bias is explained in great detail inmany epidemiology textbooks1-9 andresearch papers10-14 but remains underappreciated. Often, bias is explained with detailed classification schemes,7,13
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 | 0,359 | 0,441 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,005 | 0,036 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,008 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».