A General Primer for Data Harmonization

2023

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)
DOI 10.31219/osf.io/baf2j
Достоверность данных 70 средняя
Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

Data harmonization is an important method for generating the requisite datasets to support big data analyses. To date however, articles about data harmonization are field-specific and highly technical, mak- ing it difficult for researchers to derive general principles for how to engage in and contextualize data harmonization efforts. This commentary provides general guidance and criteria for researchers who are considering undertaking such efforts or seek to evaluate the quality of existing ones. We derive these guidelines from the extant literature and our own experience in harmonizing data for the emergent and important new field of COVID-19 public health and safety measures (PHSM).