Hacia la perspectiva GRADE (II)
Bibliographic record
Abstract
Hacia la perspectiva GRADE (II)Sr. Director: Es necesario dar más detalles de la clasificación GRA-DE, que traducida al español significa: "Clasificación de la Evaluación, Desarrollo y Valoración de las Recomendaciones", la cual fue expuesta en esta sección de la revista, publicada en ediciones anteriores (1) del presente año.El grupo de trabajo GRADE nace en el año 2000 con el objetivo de abordar las deficiencias de los actuales sistemas de clasificación de la evidencia.Este grupo ha elaborado una clasificación que presenta un enfoque sistemático y explícito a partir de la definición de una serie de criterios necesarios, para hacer juicios sobre la calidad de la evidencia y fuerza de recomendación.Estos criterios consisten en los siguientes puntos:1. Definir target group: consiste en definir nuestro público objetivo, o problema de interés, el tipo de intervención que nos interesa y su comparación (no es obligación que exista una comparación).2. Resultados de interés (outcome): debemos seleccionar los desenlaces de interés y valorar su implicancia clínica.Para llevar a cabo este ítem es necesario realizar un listado de 9 resultados de interés clínico dentro de los cuales se subdividen en: "no importante 1-3", "importantes 4-6" y "críticos 7-9" (es fundamental mencionar que los resultados "no importantes 1-3" no se utilizan para entregar las recomendaciones).3. Valorar la evidencia: esto consiste en que debemos tener claridad en la magnitud del efecto y en su calidad para cada uno de los resultados seleccionados como "críticos e importantes" -se debe considerar que los estudios clínicos aleatorizados (ECA) presentan el nivel más elevado de la jerarquía de la evidencia en terapia, seguido de los estudios observacionales-.Este ítem finaliza con la evaluación global de la evidencia donde encontramos 4 puntos (2):-Alta calidad: es poco probable que investigaciones adicionales cambien nuestra confianza en la estimación del efecto.Hay suficientes datos con intervalos de confianza estrechos.-Moderada calidad: es probable que investigaciones adicionales tengan un impacto importante en la confianza de la estimación del efecto y puedan cambiar la estimación.-Baja calidad: es muy probable que investigaciones adicionales tengan un impacto importante en
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 | 0.002 | 0.016 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.049 | 0.008 |
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".