Mining the Management Literature for Insights into Implementing Evidence-Based Change in Healthcare
Notice bibliographique
Résumé
OBJECTIVE: We synthesized the management and health literatures for insights into implementing evidence-based change in healthcare drawn from industry-specific data. Because change principles based on evidence often fail to be translated into organizational practice or policy, we sought studies at the nexus of organizational change and knowledge translation. METHODS: We reviewed five top management journals to identify an initial pool of 3,091 studies, which yielded a final sample of 100 studies. Data were abstracted, verified by the original authors and revised before entry into a database. We employed a systematic narrative synthesis approach using words and text to distill data and explain relationships. We categorized studies by varying levels of relevance for knowledge translation as (1) primary, direct; (2) intermediate; and (3) secondary, indirect. We also identified recurring categories of change-related organizational factors. The current analysis examines these factors in studies of primary relevance to knowledge translation, which we also coded for intervention readiness to reflect how readily change can be implemented. Preliminary RESULTS AND CONCLUSIONS: Results centred on five change-related categories: Tailoring the Intervention Message; Institutional Links/Social Networks; Training; Quality of Work Relationships; and Fit to Organization. In particular, networks across institutional and individual levels appeared as prominent pathways for changing healthcare organizations. Power dynamics, positive social relations and team structures also played key roles in implementing change and translating it into practice. We analyzed journals in which first authors of these studies typically publish, and found evidence that management and health sciences remain divided. Bridging these disciplines through research syntheses promises a wealth of evidence and insights, well worth mining in the search for change that works in healthcare transformation.
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 | 0,130 | 0,410 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,116 | 0,068 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,019 | 0,019 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».