Impacte de la Convocatòria de Recerca Clínica i en Serveis Sanitaris en la presa de decisions informades i la capacitació. Resposta a un qüestionari
Bibliographic record
Abstract
presa de decisions informades i la capacitació.Visió dels investigadors.Barcelona: Agència d'Informació, Avaluació i Qualitat en Salut.Servei Català de la Salut.Departament de Salut.Generalitat de Catalunya; 2010. IntroduccióDes del 1996 l'Agència d'Informació, Avaluació i Qualitat en Salut (AIAQS) ha gestionat la Convocatòria de Recerca Clínica i en Serveis Sanitaris.Aquesta ha tingut com a objectius omplir buits de coneixement en el nostre context i ajudar a la presa de decisions informades dins del sector sanitari.Amb la voluntat d'avaluar l'acompliment d'aquests objectius i després d'una dècada d'experiència, l'Agència ha promogut el projecte ISOR [Impacte Social de la Recerca (http:/impacte.aatrm.net)],per tal d'avaluar l'impacte de la recerca finançada en diferents fases.En una primera, es va analitzar un nivell d'impacte, l'avenç del coneixement, identificant beneficis pròpiament científics segons indicadors d'activitat, qualitat, abast i estructura/context 1,2 .En una segona fase, ha centrat l'atenció en l'impacte relacionat amb la presa de decisions informades, un dels objectius explícits de la Convocatòria, i la capacitació d'equips i institucions.El present treball aborda una primera aproximació d'aquest nivell d'impacte que es va completar posteriorment amb una recerca amb més profunditat 3 .El marc conceptual en què s'emmarca el projecte ISOR és del model CAHS ROI 4 , elaborat pel panel d'experts de la Canadian Academy of Health Science, reconegudament inspirat en el Model Payback de Buxton i Hanney [5][6][7] , i similar al model ISOR que presentà l'equip de l'Agència l'any 2009 8 .Segons el model CAHS ROI, es presenta una inte-racció lògica entre les diferents fases de la recerca (inputs, throughputs, outputs i outcomes), mostra la interfície entre aquestes fases i captura com els diferents tipus de recerca tenen, a priori, un repartiment específic dels nivells d'impacte esperats (avenç en el coneixement, capacitació, presa de decisions informades, beneficis en salut i qualitat de vida, i beneficis econòmics i prosperitat) a través dels agrupadors de les diferents fases.En el cas de la recerca clínica i en serveis sanitaris, s'esperaria un impacte en la presa de decisions informades en els diferents col•lectius de decisors a qui va adreçada l'aplicabilitat de la recerca, és a dir, professionals clínics, planificadors del sistema sanitari, indústries, l'àmbit de la recerca, pacients i públic en general.D'altra banda, també s'esperaria un impacte en la capacitació individual, d'equips i d'organitzacions associades al sector de la salut.En la Figura 1 es presenta el model lògic canadenc, on es descriuen les diferents fases i nivells d'impacte.L'objectiu d'aquest treball va ser analitzar l'impacte de la recerca finançada a través de la Convocatòria de recerca clínica i en serveis sanitaris, i fer una primera aproximació a l'impacte de la presa de decisions informades en l'àmbit clínic i sanitari, i en la capacitació d'equips i institucions. MetodologiaEs va plantejar un estudi transversal i descriptiu de les dades obtingudes a partir de l'administració d'un qüestionari.La població d'estudi la van constituir 99 projectes finançats per la Convocatòria de Recerca Clínica i en Serveis Sanitaris i finalitzats el 2009.Es va enviar un qüestionari als investigadors principals i coordinadors dels projectes.L'enviament es va realitzar el mes de febrer de 2009 i es van dur a terme dos recordatoris quinzenals per correu electrònic.El qüestionari incloïa 13 preguntes amb resposta tancada i oberta, relacionades amb l'impacte de la recerca realitzada segons els aspectes següents:Correspondència
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.024 | 0.071 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.024 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".