جلد 25، شماره 4 - ( 12-1401 )
جلد 25 شماره 4 صفحات 143-125 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asaadi Shally A, Sotoudeh H, Abbaspour J. The effectiveness of methodological elements in ranking results by relevance. jha 2023; 25 (4) :125-143
URL: http://jha.iums.ac.ir/article-1-4222-fa.html
URL: http://jha.iums.ac.ir/article-1-4222-fa.html
اسعدی شالی عادله، ستوده هاجر، عباس پور جواد. تاثیر عناصر روششناختی مقالات کارآزمایی بالینی در اثربخشی رتبه‌بندی نتایج بر اساس ربط آنها. فصلنامه مدیریت سلامت. 1401; 25 (4) :125-143
1- دکتری، علم اطلاعات و دانش شناسی، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز
2- استاد، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز ،sotudeh@shirazu.ac.ir
3- استادیار دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز
2- استاد، دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز ،
3- استادیار دانشکده علوم تربیتی و روانشناسی، دانشگاه شیراز، شیراز
چکیده: (1057 مشاهده)
مقدمه: اعتبار روششناختی از جمله عوامل تاثیرگذار بر قضاوت ربط است. هدف این مطالعه، تعیین سهم و نوع تاثیر عناصر روش شناختی در تبیین ربط میان مدرک بوده و پرسش و تنها جنبه اثربخشی نظام بازیابی بدون ارزیابی کارایی بررسی شده است.
روش ها: روش پژوهش نیمه تجربی (پیش‌آزمون-پس‌آزمون تکگروهی) و جامعه پژوهش مقالات کارآزمایی بالینی موجود در فراتحلیل مقالات مرور نظام مند نمایه‌شده در کاکرین و نمونه گیری هدفمند بود. مقالات کارآزمایی بالینی موجود در فراتحلیل دارای شماره پابمد موجود در مقالات مرور نظاممند دسترسی آزاد پایگاه کاکرین از ابتدا تا پایان سال 2018 (به عنوان پرسش نظام بازیابی) با حداقل 50 مقالات کارآزمایی بالینی دانلود شد. پیش‌پردازش متن و تعیین نمره «فراوانی اصطلاح- معکوس فراوانی متن» و شباهت سرعنوان‌های موضوعی پزشکی بین این مقادیر با نرم افزار نایم انجام شده و میانگین نمره «سودمندی تجمعی نزولی نرمالیزه» در گروه های با رتبه بندی مدارک در سطح چکیده به تنهایی مقایسه شد.
یافته ها: نتایج آزمون تی زوجی نشان داد تفاوت میانگین ان‌دی‌سی‌جی چکیده در هر چهار گروه در تمامی نقاط دقت مدرک منفی است. بیشترین تفاوت میانگین مربوط به عناصر روششناختی پایه و استاندارد در چکیده (064/ 0-) در نقطه دقت 10 (دهمین مدرک در نتایج بازیابی شده)، و کمترین تفاوت میانگین مربوط عناصر روششناختی پایه در چکیده (0/021-) در نقطه دقت 50 و 70 بود.
نتیجه‌گیری: یافته‌های این پژوهش نشان داد که رویداد عناصر روششناختی در متن یا وزن‌دهی به آنها می‌تواند نتایج مرتبط را کاهش دهد و می‌تواند بر اثربخشی نظام بازیابی بر پایه ربط و اعتبار تاثیر منفی داشته باشد.
روش ها: روش پژوهش نیمه تجربی (پیش‌آزمون-پس‌آزمون تکگروهی) و جامعه پژوهش مقالات کارآزمایی بالینی موجود در فراتحلیل مقالات مرور نظام مند نمایه‌شده در کاکرین و نمونه گیری هدفمند بود. مقالات کارآزمایی بالینی موجود در فراتحلیل دارای شماره پابمد موجود در مقالات مرور نظاممند دسترسی آزاد پایگاه کاکرین از ابتدا تا پایان سال 2018 (به عنوان پرسش نظام بازیابی) با حداقل 50 مقالات کارآزمایی بالینی دانلود شد. پیش‌پردازش متن و تعیین نمره «فراوانی اصطلاح- معکوس فراوانی متن» و شباهت سرعنوان‌های موضوعی پزشکی بین این مقادیر با نرم افزار نایم انجام شده و میانگین نمره «سودمندی تجمعی نزولی نرمالیزه» در گروه های با رتبه بندی مدارک در سطح چکیده به تنهایی مقایسه شد.
یافته ها: نتایج آزمون تی زوجی نشان داد تفاوت میانگین ان‌دی‌سی‌جی چکیده در هر چهار گروه در تمامی نقاط دقت مدرک منفی است. بیشترین تفاوت میانگین مربوط به عناصر روششناختی پایه و استاندارد در چکیده (064/ 0-) در نقطه دقت 10 (دهمین مدرک در نتایج بازیابی شده)، و کمترین تفاوت میانگین مربوط عناصر روششناختی پایه در چکیده (0/021-) در نقطه دقت 50 و 70 بود.
نتیجه‌گیری: یافته‌های این پژوهش نشان داد که رویداد عناصر روششناختی در متن یا وزن‌دهی به آنها می‌تواند نتایج مرتبط را کاهش دهد و می‌تواند بر اثربخشی نظام بازیابی بر پایه ربط و اعتبار تاثیر منفی داشته باشد.
واژه‌های کلیدی: عناصر روششناختی، مقالات مرور نظام‌مندکاکرین، ربط، بازیابی اطلاعات، اعتبار روش‌شناسی، نظرات ارزیابان کاکرین، پایگاه کاکرین، کارآزمایی بالینی
نوع مقاله: پژوهشي |
موضوع مقاله:
کتابداری و اطلاع رسانی پزشکی
دریافت: 1401/7/10 | پذیرش: 1401/9/30 | انتشار: 1402/3/21
دریافت: 1401/7/10 | پذیرش: 1401/9/30 | انتشار: 1402/3/21
فهرست منابع
1. Fatahi R. Analysis of factors affecting the relativity of relevance in information retrieval systems. Informatics. 2004;2(1):7-22. [In Persian].
2. Khalowi M. Its relevance and meaning in information retrieval. Iranian Journal of Information Processing & Management. 2008;23(3):105-18. [In Persian].
3. Goffman W, Newill VA. Communication and epidemic processes. Proc R Soc Lond A Math Phys Sci. 1967;298(1454): 316-34. [DOI:10.1098/rspa.1967.0106]
4. Schutze H, Pedersen J. Information retrieval based on word sense. Proceedings of the Fourth Annual Symposium on Document Analysis and Information Retrieval; 1995 Apr 24-26; Las Vegas , Nevada. 1995. p. 161-176.
5. Van Nieuwenhoven CA, Buskens E, Van Tiel FH, Bonten MJ. Relationship between methodological trial quality and the effects of selective digestive decontamination on pneumonia and mortality in critically ill patients. JAMA. 2001,18;286(3):335-40. [DOI:10.1001/jama.286.3.335]
6. Jadad AR, Moore RA, Carroll D, Jenkinson C, Reynolds DJ, Gavaghan DJ, et al. Assessing the quality of reports of randomized clinical trials: Is blinding necessary? Control Clin Trials. 1996;17(1):1-12. [DOI:10.1016/0197-2456(95)00134-4]
7. De Vries AC, Besselink MGH, Buskens E, Ridwan BU, Schipper M, Van Erpecum KJ, et al. Randomized controlled trials of antibiotic prophylaxis in severe acute pancreatitis: Relationship between methodological quality and outcome. Pancreatology. 2007;7(5-6):531-8. [DOI:10.1159/000108971]
8. Sargeant JM, Elgie R, Valcour J, Saint-Onge J, Thompson A, Marcynuk P, et al. Methodological quality and completeness of reporting in clinical trials conducted in livestock species. Prev Vet Med. 2009;91(2-4):107-15. [DOI:10.1016/j.prevetmed.2009.06.002]
9. Xu Y, Chen Z. Relevance judgment: What do information users consider beyond topicality? J Am Soc Inf Sci Technol. 2006;57(7):961-73. [DOI:10.1002/asi.20361]
10. Zhao J, Kan MY, Procter PM, Zubaidah S, Yip WK, Li GM. Improving search for evidence-based practice using information extraction. AMIA Annu Symp Proc.2010;2010:937-41.
11. De Bruijn B, Carini S, Kiritchenko S, Martin J, Sim I. Automated information extraction of key trial design elements from clinical trial publications. AMIA Annu Symp Proc. 2008;2008:141-5.
12. Huang X, Lin J, Demner-Fushman D. Evaluation of PICO as a knowledge representation for clinical questions. AMIA Annu Symp Proc. 2006;2006:359-63.
13. Boudin F, Nie JY, Bartlett JC, Grad R, Pluye P, Dawes M. Combining classifiers for robust PICO element detection. BMC Med Inform Decis Mak. 2010;10(1):1-6. [DOI:10.1186/1472-6947-10-29]
14. Hassanzadeh H, Groza T, Hunter J. Identifying scientific artefacts in biomedical literature: The evidence based medicine use case. J Biomed Inform. 2014;49:159-70. [DOI:10.1016/j.jbi.2014.02.006]
15. Wallace BC, Kuiper J, Sharma A, Zhu MB, Marshall IJ. Extracting PICO sentences from clinical trial reports using supervised distant supervision. J Mach Learn Res. 2016;17:1-26.
16. Cohen AM, Smalheiser NR, McDonagh MS, Yu C, Adams CE, Davis JM, et al. Automated confidence ranked classification of randomized controlled trial articles: An aid to evidence-based medicine. J Am Med Inform Assoc. 2015;22(3):707-17. [DOI:10.1093/jamia/ocu025]
17. Bekhuis T, Demner-Fushman D. Towards automating the initial screening phase of a systematic review. In: Safran C, Reti S, Marin HF, editors. MEDINFO 2010. IOS Press; 2010. p. 146-50.
18. Wallace BC, Trikalinos TA, Lau J, Brodley C, Schmid CH. Semi-automated screening of biomedical citations for systematic reviews. BMC Bioinformatics. 2010;11:1-11. [DOI:10.1186/1471-2105-11-55]
19. Wallace BC, Noel-Storr A, Marshall IJ, Cohen AM, Smalheiser NR, Thomas J. Identifying reports of randomized controlled trials (RCTs) via a hybrid machine learning and crowdsourcing approach. J Am Med Inform Assoc. 2017;24(6):1165-8. [DOI:10.1093/jamia/ocx053]
20. Hsu W, Speier W, Taira RK. Automated extraction of reported statistical analyses: Towards a logical representation of clinical trial literature. AMIA Annu Symp Proc. 2012;2012:350-9.
21. Alizadeh A, Rashidi H. Intelligent extraction of important words from important parts of scientific articles. Proceedings of the Conference on Computer Engineering and Sustainable Development with a focus on computer networking, modeling and systems security; 2013 Sep 19; Mashhad: Khavaran Institute of Higher Education. 2013. p. 1-7. [In Persian]
22. Rashidi Sharifabad K, Sotoudeh H, Mirzabigi M, Fakhrahamd M. Measuring the similarity of opinions of free referees and the content of scientific articles using natural language processing. Librarianship and Information Organization Studies. 2020;31(2):86-103. [In Persian]
23. Paek H, Kogan Y, Thomas P, Codish S, Krauthammer M. Shallow semantic parsing of randomized controlled trial reports. AMIA Annu Symp Proc. 2006(2006):604-8.
24. Kiritchenko S, De Bruijn B, Carini S, Martin J, Sim I. ExaCT: Automatic extraction of clinical trial characteristics from journal publications. BMC Med Inform Decis Mak. 2010;10:1-17. [DOI:10.1186/1472-6947-10-56]
25. Savova GK, Masanz JJ, Ogren PV, Zheng J, Sohn S, Kipper-Schuler KC, et al. Mayo clinical text analysis and knowledge extraction system (cTAKES): Architecture, component evaluation and applications. J Am Med Inform Assoc. 2010;17(5):507-13. [DOI:10.1136/jamia.2009.001560]
26. Jain S, Peng X, Wallace BC. Detecting twitter posts with adverse drug reactions using convolutional neural networks. In: Sarker A, Gonzalez G, editors. Proceedings of the 2nd Social Media Mining for Health Research and Applications Workshop (SMM4H 2017); 2017 Nov 4; Washington, DC, United States. 2017. p. 72-75.
27. Chung GY, Coiera E. A study of structured clinical abstracts and the semantic classification of sentences. Proceedings of the Workshop on BioNLP 2007: Biological, Translational, and Clinical Language Processing; 2007 Jun 29 ; Prague, Czech Republic. United States: Association for Computational Linguistics; 2007. p. 121-8. [DOI:10.3115/1572392.1572415]
28. Hatami Naghani B, Abessi M. Content analysis of science paper's by using text mining. Business Intelligence Management Studies. 2017;5(18):137-67. [In Persian]
29. Summerscales RL, Argamon S, Bai S, Hupert J, Schwartz A. Automatic summarization of results from clinical trials. Proceedings of the IEEE International Conference on Bioinformatics and Biomedicine. 2011 Nov 12-15; Atlanta, GA, USA. IEEE; 2012. p. 372-7. [DOI:10.1109/BIBM.2011.72]
30. Tsafnat G, Glasziou P, Choong MK, Dunn A, Galgani F, Coiera E. Systematic review automation technologies. Syst Rev. 2014;3:1-15. [DOI:10.1186/2046-4053-3-74]
31. Yoon SH, Kim SW, Park S. C-Rank: A link-based similarity measure for scientific literature databases. Inf Sci. 2016;326:25-40. [DOI:10.1016/j.ins.2015.07.036]
32. Heneghan C, Badenoch D. Evidence-based medicine toolkit. 2nd ed. John Wiley & Sons; 2013.
33. Dehghan M. The feasibility of presenting a quality control model for scientific articles in the publication process based on predictive indicators of scientific impact [Master's thesis]. Shiraz: Shiraz university; 2016. [In Persian]
34. Marshall IJ, Kuiper J, Wallace BC. Automating risk of bias assessment for clinical trials. IEEE J Biomed Health Inform. 2014;19(4):1406-12. [DOI:10.1109/JBHI.2015.2431314]
35. Marshall IJ, Kuiper J, Wallace BC. RobotReviewer: Evaluation of a system for automatically assessing bias in clinical trials. J Am Med Inform Assoc. 2016;23(1):193-201. [DOI:10.1093/jamia/ocv044]
36. Marshall IJ, Kuiper J, Banner E, Wallace BC. Automating biomedical evidence synthesis: RobotReviewer. Proc Conf Assoc Comput Linguist Meet. 2017;2017:7-12. [DOI:10.18653/v1/P17-4002]
37. Millard LAC, Flach PA, Higgins JPT. Machine learning to assist risk-of-bias assessments in systematic reviews. Int J Epidemiol. 2016;45(1):266-77. [DOI:10.1093/ije/dyv306]
38. Asadi A, Sotudeh H, Abbaspour J, Fakhr-Ahmad M. The potentials of cochrane reviewers' comments and citation contexts in the recognition of randomized controlled trials' texts and their main sections. Health Information Management. 2020;17(4):181-8. [In Persian]
39. Times Higher Education. World University Rankings [Internet]. 2018 [cited 2018 Sep 26]. Available from: https://www.timeshighereducation.com/world-university-rankings
40. Sarker A, Molla D, Paris C. Automatic evidence quality prediction to support evidence-based decision making. Artif Intell Med. 2015;64(2):89-103. [DOI:10.1016/j.artmed.2015.04.001]
41. Achananuparp P, Hu X, Shen X. The evaluation of sentence similarity measures. In: Song I-Y, Eder J, Nguyen TM, editors. Data Warehousing and Knowledge Discovery. DaWaK 2008. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer; 2008. p. 305-16. (LNISA,volume 5182) [DOI:10.1007/978-3-540-85836-2_29]
42. Haynes RB, Wilczynski N, McKibbon KA, Walker CJ, Sinclair JC. Developing optimal search strategies for detecting clinically sound studies in MEDLINE. J Am Med Inform Assoc. 1994;1(6):447-58. [DOI:10.1136/jamia.1994.95153434]
43. Ruthven I, Lalmas M. A survey on the use of relevance feedback for information access systems. Knowl Eng Rev. 2003;18(2):1-55. [DOI:10.1017/S0269888903000638]
44. Cool C, Belkin N, Frieder O, Kantor P. Characteristics of text affecting relevance judgments. National online meeting. 1993;14:77-77.
45. Dhammi IK, Kumar S. Medical subject headings (MeSH) terms. Indian J Orthop. 2014;48(5):443-4. [DOI:10.4103/0019-5413.139827]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
