Bibliographic record
Abstract
Qui n'est pas sensible a la flatterie? Etre desire et apprecie, c'est une caracteristique humaine universelle, que l'on exploite souvent lorsque l'on cherche a influencer une pensee ou un comportement. Tous les chirurgiens connaissent le recours delibere a la flatterie pour provoquer un certain comportement — nous l'utilisons pour tenter d'influencer le comportement de nos collegues de travail, nos patients y ont recours pour tenter d'influencer la perception que nous avons d'eux et je suis sur que nous recourons tous quotidiennement a la flatterie dans notre vie non professionnelle. Pam Leece et ses collaborateurs1 decrivent dans ce numero du Journal canadien de chirurgie (page 90) comment ils ont voulu quantifier la mesure dans laquelle la flatterie pourrait influencer le comportement des chirurgiens lorsqu'on leur demande de repondre a un questionnaire, en leur faisant parvenir soit une lettre d'accompagnement type soit une lettre mettant l'accent sur l'expertise du destinataire et l'importance de sa reponse. Il est difficile de convaincre les chirurgiens de repondre a des questionnaires, ne serait-ce que parce que nous semblons inondes par ceux-ci et que nous en voyons rarement, voire jamais, les resultats ou, ce qui est encore plus important, que nous savons rarement si une analyse des resultats aura des repercussions sur nos standards de pratique ou les modifiera. Comme je suis au nombre des chirurgiens avec lesquels Leece et ses collaborateurs ont communique, il est interessant pour moi de constater que je ne peux me rappeler quelle version de la lettre j'ai recue. Je sais toutefois que j'ai suivi la suggestion de l'auteur du questionnaire qui recommandait d'envoyer toute demande de renseignement a l'adresse figurant sur l'en-tete. J'ai ecris trois fois et je n'ai jamais recu de reponse! Un des moyens d'ameliorer le taux de reponse des medecins a de tels questionnaires serait certainement d'entretenir un dialogue interactif entre la personne qui cherche l'information et celle qui la fournit. Je suis d'accord avec les auteurs qui affirment que de tels questionnaires sont importants pour definir les tendances actuelles de la pratique et nous aider a formuler les questions auxquelles il faudrait repondre au moyen d'essais randomises lorsqu'il s'agit de deux modes de traitement ou plus. Les auteurs indiquent qu'une facon possible d'accroitre la participation consiste a faire appel a notre vanite a tous, et leurs resultats semblent appuyer cette hypothese. Peut-etre alors aurons nous tous avoir hâte de recevoir regulierement des lettres vantant notre perspicacite, notre technique chirurgicale et notre importance! James P. Waddell, MD Co-redacteur
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 | 0.003 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.009 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.041 | 0.011 |
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".