Designing a knowledge translation mentorship program to support the implementation of evidence-based innovations
Notice bibliographique
Résumé
BACKGROUND: Healthcare professionals require training in knowledge translation (KT) to implement evidence-based healthcare innovations. Mentorship is an effective training strategy that could be used to develop KT capacity but it has largely been used to train clinicians. The purpose of this study was to explore preferences for KT mentorship design. METHODS: Interviews were conducted with 54 Canadian researchers and research users who varied by profession, department, career stage and sex. Participants were asked about KT needs, views on mentorship as a strategy to develop KT capacity, and suggestions for program design. Grounded theory technique and thematic analysis were used to collect and analyse data. RESULTS: Participants uniformly expressed interest in mentorship over other forms of learning about KT because it would provide credible, tailored information when needed. A variety of options for program content, format and delivery were recommended, suggesting the need for flexibility according to KT needs. Leadership, infrastructure, culture change and incentives may also be needed to foster KT mentorship. Views were mixed on whether mentors should be KT experts or subject or clinical experts with KT experience, and embedded in, or external to organizations. CONCLUSIONS: These findings can be used to develop or evaluate KT mentoring programs. Further research is needed to evaluate different models in which the mentor may be an internal or external KT expert or subject expert with experience in KT, and establish the core curriculum of a training program specific to KT and how it could best be reinforced with mentoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».