Trainees’ Self‐Reported Challenges in Knowledge Translation, Research and Practice
Notice bibliographique
Résumé
BACKGROUND: Knowledge translation (KT) refers to the process of moving evidence into healthcare policy and practice. Understanding the experiences and perspectives of individuals who develop careers in KT is important for designing training programs and opportunities to enhance capacity in KT research and practice. To date, however, limited research has explored the challenges that trainees encounter as they develop their careers in KT. AIMS: The purpose of this study is to identify the challenges that KT trainees face in their KT research or practice. METHODS: An online survey was conducted with a sample of trainees associated with the Knowledge Translation Trainee Collaborative or the KT Canada Summer Institutes, with written responses thematically analyzed. FINDINGS: A total of 35 individual responses were analyzed, resulting in the identification of six interrelated themes, listed in descending order of prevalence: limited availability of KT-specific resources (54%), difficulty inherent in investigating KT (34%), KT not recognized as a distinct field (23%), colleagues' limited knowledge and understanding of KT (20%), competing priorities and limited time (20%), and difficulties in relation to collaboration (14%). DISCUSSION: KT trainees experience specific challenges in their work: limited understanding of KT in other stakeholder groups; limited structures or infrastructure to support those who do KT; the inherently interdisciplinary and applied nature of KT; and the resultant complexities of scientific inquiry in this field, such as designing and testing multifaceted, multilevel implementation strategies and accounting for contextual factors. LINKING EVIDENCE TO ACTION: KT training and capacity-building efforts are needed to better position health systems to routinely adopt knowledge into healthcare policy and practice.
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 | 0,037 | 0,110 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».