Using the knowledge to action process model to incite clinical change *
Notice bibliographique
Résumé
INTRODUCTION: Knowledge translation (KT) has only recently emerged in the field of rehabilitation with attention on creating effective KT interventions to increase clinicians' knowledge and use of evidence-based practice (EBP). The uptake of EBP is a complex process that can be facilitated by the use of the Knowledge to Action Process model. This model provides a sequence of phases for researchers and clinicians to follow in order to optimize KT across various fields of practice. METHODS: In this article we use an example from a series of national studies in stroke rehabilitation to demonstrate how the Knowledge to Action Process model is being used to increase the use of best practices in the management of a very prevalent poststroke impairment, unilateral spatial neglect. RESULTS: The series of research projects and actions described herein each address a specific phase of the model. The reader is introduced to a specific example with the goal of generalizing the process to his or her own domain of interest. Gaps in our research agenda are also highlighted and future initiatives to complete the process are described. DISCUSSION: It is important that KT is maximized in health care to improve patient outcomes. As demonstrated here, the Knowledge to Action Process model provides an excellent guide for clinicians, managers, and researchers who wish to incite change in patient care.
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 | 0,044 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,008 | 0,005 |
| 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 ».