Advancing Translational Research by Enabling Collaborative Teamwork: The TRACT Approach
Notice bibliographique
Résumé
Background: The work of multidisciplinary research teams (MDRTs) is vital for translational research. The objectives of this study were 1) to understand the structure and function of MDRTs, and 2) to develop effective strategies to enhance collaboration among team members. Methods and Findings: Semi-structured interviews were conducted with 23 participants involved in multidisiplinary research work at two San Antonio, Texas, institutions. Interview materials were tape-recorded, transcribed, and content analyzed using qualitative methods.Themes that emerged from the content analysis were used to develop and refine strategies to enhance the work of MDRTs. The findings showed that MDRTs operate through multiple cycles of: 1) team formation, 2) team collaboration, 3) sustainable collaborative activities, and 4) team maturity. Content analysis identified four interrelated basic elements within the MDRT tract that facilitate team cycles: 1) shared interest/vision among agreeable team leader and members, 2) viable means of communication, 3) available resources, and 4) perceived gain/benefit of teamwork.Conclusions: Our findings highlighted several opportunities and challenges in the formation, dynamics, and growth of MDRTs. Effective strategies to enhance teamwork should levearge these opportunities and address challenges, taking into consideration the interdependent aspects of the basic elements within the MDRTs tract.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,047 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,005 | 0,017 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».