Le phénomène du masquage dans le signalement des événements« les plus graves » : biais influant sur les estim tions des taux d’incidence des blessures sportives chez les enfants canadiens
Bibliographic record
Abstract
Introduction Les enquêtes sur la cueillette de données sur les blessures ciblent souvent « l’événement le plus grave » dans le but de limiter les erreurs de mémoire et de réduire la longueur des questionnaires. Cela risque cependant de masquer des blessures moins graves et d’entraîner un biais dans les estimations des taux d’incidence de certaines sous-catégories de traumatismes. Méthodologie Nous avons utilisé des données tirées de l’Enquête sur les comportements liés à la santé des enfants d’âge scolaire (ECSEAS) et du Système canadien hospitalier d’information et de recherche en prévention des traumatismes (SCHIRPT) pour comparer les estimations des taux d’incidence des blessures sportives chez les enfants canadiens. Résultats D’après les données de l’ECSEAS, 6,7 % des enfants déclarent avoir subi une blessure sportive ayant nécessité une consultation à un service des urgences. N’ont cependant été recueillies que les données sur la blessure « la plus grave » subie par l’enfant, ce qui fait qu’un enfant ayant subi de multiples blessures justifiant une consultation à un service des urgences est susceptible d’avoir subi des blessures sportives passées sous silence. La sous-estimation de ce taux de 6,7 % pourrait atteindre 4,3 %. D’après les données de surveillance du SCHIRPT correspondantes, le taux d’incidence de ces blessures est de 9,9 %. Nous mettons également en lumière dans notre analyse le biais potentiel de masquage lié aux blessures traitées par d’autres prestataires de soins de santé. Conclusion Poser une question sur « la blessure la plus grave » risque d’induire un biais de masquage considérable du taux d’incidence des blessures sportives, limitant ainsi la capacité des chercheurs à estimer l’ampleur réelle du phénomène. Des périodes de rappel plus longues entraînent inévitablement un phénomène de masquage plus important. La conception des enquêtes à venir devrait tenir compte de ces réalités. Si l’on veut faciliter une prise de décisions éclairées et orienter correctement les futures recherches, il faut que les chercheurs soient conscients de ces limitations.
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 | 0.019 | 0.078 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
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".