Evidence-based priority-setting: what do the decision-makers think?
Notice bibliographique
Résumé
OBJECTIVES: Resource scarcity dictates the need for health organisations to set priorities. Although such activity should be based, at least in part, on evidence, there are limited examples in the literature of decision-makers reflecting on their use of evidence in priority-setting. METHODS: A participatory action-research project was conducted in a single health authority in Alberta. It included in-depth interviews and focus groups with senior decision-makers both before and after development and implementation of a macro-level priority-setting framework (programme budgeting and marginal analysis, PBMA). Data were thematically coded and information on the use of evidence in priority-setting is reported. RESULTS: Barriers to the use of evidence in priority-setting identified by decision-makers included crisis-orientated management, time constraints and a lack of skills. Decision-makers suggested using a mix of 'soft' and 'hard' forms of evidence in priority-setting. Following PBMA implementation, decision-makers wanted better information on capacity to benefit, but preferred to do this pragmatically from multiple sources of information rather than using a single metric. CONCLUSION: In examining the perspectives of decision-makers in using evidence to support priority-setting, valuable information was derived which should provide insight for such processes in other jurisdictions. The main finding of a desire for pragmatic assessment of benefit is informative for those involved in both decision-making and research.
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 | 0,130 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».