Strategies for Collaboration in the Interdisciplinary Field of Emerging Zoonotic Diseases
Notice bibliographique
Résumé
The integration of the veterinary, medical and environmental sciences necessary to predict, prevent or respond to emerging zoonotic diseases requires effective collaboration and exchange of knowledge across these disciplines. There has been no research into how to connect and integrate these professions in the pursuit of a common task. We conducted a literature search looking at the experiences and wisdom resulting from collaborations built in health partnerships, health research knowledge transfer and exchange, business knowledge management and systems design engineering to identify key attributes of successful interdisciplinary (ID) collaboration. This was followed by a workshop with 16 experts experienced in ID collaboration including physicians, veterinarians and biologists from private practice, academia and government agencies. The workshop participants shared their perspectives on the facilitators and barriers to ID collaboration. Our results found that the elements that can support or impede ID collaboration can be categorized as follows: the characteristics of the people, the degree to which the task is a shared goal, the policies, practices and resources of the workplace, how information technology is used and the evaluation of the results. Above all, personal relationships built on trust and respect are needed to best assemble the disciplinary strength of the professions. The challenge of meeting collaborators outside the boundaries of one's discipline or jurisdiction may be met by an independent third party, an ID knowledge broker. The broker would know where the knowledge could be found, would facilitate introductions and would help to build effective ID teams.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».