CC-BY-NC-NDSTUDY DESIGN:prospective cohort study.OBJECTIVE:To analyze responsiveness and minimal clinically important change (MCIC) of the US National Institutes of Health (NIH) minimal dataset for chronic low back pain (CLBP).SUMMARY OF BACKGROUND DATA:The NIH minimal dataset is a 40-item questionnaire developed to increase use of standardized definitions and measures for CLBP. Longitudinal validity of the total minimal dataset and the subscale Impact Stratification are unknown.METHODS:Total outcome scores on the NIH minimal dataset, Dutch Language Version, were calculated ranging from 0-100 points with higher scores representing worse functioning. Responsiveness and MCIC were determined with an anchor based method, calculating the area under the receiver operating characteristics (ROC) curve (AUC) and by determining the optimal cut-off point. Smallest detectable change (SDC) was calculated as a parameter of measurement error.RESULTS:In total 223 patients with CLBP were included. Mean total score on the NIH minimal dataset was 44 ± 14 points at baseline. The total outcome score was responsive to change with an AUC of 0.84. MCIC was 14 points with a sensitivity of 72% and specificity 82%, and SDC was 23 points. Mean total score on Impact Stratification (scale 8-50) was 34.4 ± 7.4 points at baseline, with an AUC of 0.91, an MCIC of 7.5 with a sensitivity 96% of and specificity of 78%, and an SDC of 14 points.CONCLUSION:The longitudinal validity of the NIH minimal dataset is adequate. An improvement of 14 points in total outcome score and 7.5 points in Impact Stratification can be interpreted as clinically important in individual patients. However, MCIC depends on baseline values and the method that is chosen to determine the optimal cut-off point. Furthermore, measurement error is larger than the MCIC. This means that individual change scores should be interpreted with caution.LEVEL OF EVIDENCE:4This is an open access article distributed under the terms of the Creative Commons Attribution-Non Commercial-No Derivatives License 4.0 (CCBY-NC-ND), where it is permissible to download and share the work provided it is properly cited. The work cannot be changed in any way or used commercially without permission from the journal
MULTIFILE
With the proliferation of misinformation on the web, automatic misinformation detection methods are becoming an increasingly important subject of study. Large language models have produced the best results among content-based methods, which rely on the text of the article rather than the metadata or network features. However, finetuning such a model requires significant training data, which has led to the automatic creation of large-scale misinformation detection datasets. In these datasets, articles are not labelled directly. Rather, each news site is labelled for reliability by an established fact-checking organisation and every article is subsequently assigned the corresponding label based on the reliability score of the news source in question. A recent paper has explored the biases present in one such dataset, NELA-GT-2018, and shown that the models are at least partly learning the stylistic and other features of different news sources rather than the features of unreliable news. We confirm a part of their findings. Apart from studying the characteristics and potential biases of the datasets, we also find it important to examine in what way the model architecture influences the results. We therefore explore which text features or combinations of features are learned by models based on contextual word embeddings as opposed to basic bag-of-words models. To elucidate this, we perform extensive error analysis aided by the SHAP post-hoc explanation technique on a debiased portion of the dataset. We validate the explanation technique on our inherently interpretable baseline model.
Communicatieprofessionals geven aan dat organisaties geconfronteerd worden met een almaar complexere samenleving en daarmee het overzicht verloren hebben. Zo’n overzicht, een ‘360 graden blik’, is echter onontbeerlijk. Dit vooral, aldus diezelfde communicatieprofessionals, omdat dan eerder kan worden opgemerkt wanneer de legitimiteit van een organisatie ter discussie staat en zowel tijdiger als adequater gereageerd kan worden. Op dit moment is het echter nog zo dat een reactie pas op gang komt als zaken reeds in een gevorderd stadium verkeren. Onderstromen blijven onderbelicht, als ze niet al geheel onzichtbaar zijn. Een van de verklaringen hiervoor is de grote rol van sociale media in de publieke communicatie van dit moment. Die media produceren echter zoveel data dat communicatieprofessionals daartegenover machteloos staan. De enige oplossing is automatisering van de selectie en analyse van die data. Helaas is men er tot op heden nog niet in geslaagd een brug te slaan tussen het handwerk van de communicatieprofessional en de vele mogelijkheden van een datagedreven aanpak. Deze brug dan wel de vertaling van de huidige praktijk naar een hogere technisch niveau staat centraal in dit onderzoeksproject. Daarbij gaat het in het bijzonder om een vroegtijdige herkenning van potentiële issues, in het bijzonder met betrekking tot geruchtvorming en oproepen tot mobilisatie. Met discoursanalyse, AI en UX Design willen we interfaces ontwikkelen die zicht geven op die onderstromen. Daarbij worden transcripten van handmatig gecodeerde discoursanalytische datasets ingezet voor AI, in het bijzonder voor de clustering en classificatie van nieuwe data. Interactieve datavisualisaties maken die datasets vervolgens beter doorzoekbaar terwijl geautomatiseerde patroon-classificaties de communicatieprofessional in staat stellen sociale uitingen beter in te schatten. Aldus wordt richting gegeven aan handelingsperspectieven. Het onderzoek voorziet in de oplevering van een high fidelity ontwerp en een handleiding plus training waarmee analisten van newsrooms en communicatieprofessionals daadwerkelijk aan de slag kunnen gaan.
Achter de Voordeur is een jaarlijks terugkerend onderzoeks- en onderwijsproject, waarin studenten van verschillende opleidingen aan de HU de wijk ingaan om de ervaringen en behoeften op te halen van mensen met geldzorgen.Doel Door de interviews die de studenten met buurtbewoners houden vergroten we de kennis over de ervaringen en hulpbehoeften van mensen met geldzorgen. Het doel is om op basis van deze kennis het traject naar hulp bij schulden te verkorten en inzicht te verkrijgen in hoe er in een vroegtijdig stadium passende hulp kan worden geboden. Resultaten De resultaten uit de 48 diepte-interviews en 20 mini-interviews volgen in november 2021. Looptijd 01 november 2020 - 01 november 2021 Aanpak In 2020-2021 vindt de eerste versie van Achter de Voordeur plaats. Daarna keert het project jaarlijks terug, waardoor er een dataset over een langere periode kan worden ontwikkeld. De studenten die deelnemen krijgen een training van een aantal dagen. Hier leren zij hoe zij interviews gaan afnemen en oefenen zij met data analyse en de rapportage van kwalitatief onderzoek. De studenten krijgen de ruimte om vanuit hun eigen opleiding een bijdrage leveren aan het onderzoek, bijvoorbeeld door een gedeelte van de vragenlijst te ontwikkelen of een eigen onderzoeksvraag te formuleren voor een masterscriptie. Impact van het onderzoek Doordat het onderzoek een aantal jaren achtereen plaatsvindt bestaat de mogelijkheid om respondenten over een langere periode te volgen, zodat we het traject vanaf het ontwikkelen van schulden tot aan het vinden van geschikte hulp in kaart kunnen brengen. Daarnaast krijgen studenten van verschillende opleiding aan de HU de mogelijkheid om meer te leren over problematische schulden, het afnemen van interviews bij kwalitatief onderzoek en de analyse en rapportage van de verhalen die zij zelf ophalen in de wijk. Verder is kennis over het vroegtijdig bereiken en helpen van mensen met geldzorgen voor onze partners, de Gemeente Utrecht en Stichting Helden van de Wil, ook zeer van waarde. Afstudeerstudenten van diverse opleidingen gezocht! Ben jij proactief, nieuwsgierig en nauwkeurig? Vind jij het leuk om de wijken in te gaan om interviews af te nemen en bij te dragen aan het verbeteren van de schuldenaanpak in Utrecht? Sluit je dan aan bij ons onderzoeksteam als afstudeerstudent! Interesse? Meld je aan bij Barbera van der Meulen.
Achter de Voordeur is een jaarlijks terugkerend onderzoeks- en onderwijsproject, waarin studenten van verschillende opleidingen aan de HU de wijk ingaan om de ervaringen en behoeften op te halen van mensen met geldzorgen.Doel Door de interviews die de studenten met buurtbewoners houden vergroten we de kennis over de ervaringen en hulpbehoeften van mensen met geldzorgen. Het doel is om op basis van deze kennis het traject naar hulp bij schulden te verkorten en inzicht te verkrijgen in hoe er in een vroegtijdig stadium passende hulp kan worden geboden. Resultaten De resultaten uit de 48 diepte-interviews en 20 mini-interviews volgen in november 2021. Looptijd 01 november 2020 - 01 november 2021 Aanpak In 2020-2021 vindt de eerste versie van Achter de Voordeur plaats. Daarna keert het project jaarlijks terug, waardoor er een dataset over een langere periode kan worden ontwikkeld. De studenten die deelnemen krijgen een training van een aantal dagen. Hier leren zij hoe zij interviews gaan afnemen en oefenen zij met data analyse en de rapportage van kwalitatief onderzoek. De studenten krijgen de ruimte om vanuit hun eigen opleiding een bijdrage leveren aan het onderzoek, bijvoorbeeld door een gedeelte van de vragenlijst te ontwikkelen of een eigen onderzoeksvraag te formuleren voor een masterscriptie. Impact van het onderzoek Doordat het onderzoek een aantal jaren achtereen plaatsvindt bestaat de mogelijkheid om respondenten over een langere periode te volgen, zodat we het traject vanaf het ontwikkelen van schulden tot aan het vinden van geschikte hulp in kaart kunnen brengen. Daarnaast krijgen studenten van verschillende opleiding aan de HU de mogelijkheid om meer te leren over problematische schulden, het afnemen van interviews bij kwalitatief onderzoek en de analyse en rapportage van de verhalen die zij zelf ophalen in de wijk. Verder is kennis over het vroegtijdig bereiken en helpen van mensen met geldzorgen voor onze partners, de Gemeente Utrecht en Stichting Helden van de Wil, ook zeer van waarde. Afstudeerstudenten van diverse opleidingen gezocht! Ben jij proactief, nieuwsgierig en nauwkeurig? Vind jij het leuk om de wijken in te gaan om interviews af te nemen en bij te dragen aan het verbeteren van de schuldenaanpak in Utrecht? Sluit je dan aan bij ons onderzoeksteam als afstudeerstudent! Interesse? Meld je aan bij Barbera van der Meulen.
