Une approche de synthèse des connaissances par paliers pour informer rapidement les décisions cliniques : méthode et leçons apprises durant la pandémie de COVID-19
Bibliographic record
Abstract
Introduction : Les approches de synthèses de connaissances classiques peuvent s’avérer difficiles à entreprendre en raison de leur complexité et risquent de s’éloigner de la réalité de la problématique à laquelle elles tentent de répondre. L’objectif de cet article est de présenter une démarche méthodologique pour réaliser une synthèse des connaissances par paliers dans un très court délai, tout en favorisant l’engagement des parties prenantes. Sources d’information : Une synthèse rapide des connaissances pour répondre rapidement à un problème clinique identifié durant la pandémie de COVID-19 a été réalisée en collaboration avec des utilisateurs de connaissances. Discussion : La méthodologie par paliers a allié les méthodes de revue rapide, d’atelier de discussion, de consultation Delphi et de méta-analyse, en engageant les parties prenantes à chaque étape : 1) une revue rapide de revues systématiques a permis d’éclairer de façon générale les décisions cliniques en quelques semaines, 2-3) un atelier de discussion et une méthode Delphi ont permis respectivement de définir et de prioriser les orientations de l’analyse plus approfondie de la vaste littérature identifiée, 4) une méta-analyse secondaire des données des études primaires a permis de répondre aux demandes spécifiques des utilisateurs de connaissances. La rapidité de la séquence et de l’exécution des méthodes a également mis en évidence les faiblesses méthodologiques dans la conception et l’élaboration des méthodes. Implications et conclusion : Une approche par paliers permet de répondre rapidement aux besoins des utilisateurs de connaissances tout en assurant la pertinence et la qualité des résultats pour soutenir la prise de décision.
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 | 0.255 | 0.397 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.006 |
| Bibliometrics | 0.013 | 0.012 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.016 | 0.013 |
| Open science | 0.006 | 0.010 |
| Research integrity | 0.003 | 0.006 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".