MétaCan
Menu
Retour à la cohorte
Enregistrement W2024738100 · doi:10.1186/1748-5908-9-71

How funding agencies can support research use in healthcare: an online province-wide survey to determine knowledge translation training needs

2014· article· en· W2024738100 sur OpenAlexaffabout
Bev Holmes, Megan Schellenberg, Kara Schell, Gayle Scarrow

Notice bibliographique

RevueImplementation Science · 2014
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensMental Health Commission of CanadaMichael Smith Health Research BC
Organismes subventionnairesnon disponible
Mots-clésKnowledge translationWork (physics)Medical educationQuarter (Canadian coin)Health services researchHealth administrationMedicineHealth careTraining (meteorology)DemographicsHealth informaticsPublic relationsPublic healthNursingKnowledge managementPolitical scienceSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health research funding agencies are increasingly promoting evidence use in health practice and policy. Building on work suggesting how agencies can support such knowledge translation (KT), this paper discusses an online survey to assess KT training needs of researchers and research users as part of a Canadian provincial capacity-building effort. METHODS: The survey comprised 24 multiple choice and open-ended questions including demographics, interest in learning KT skills, likelihood of participating in training, and barriers and facilitators to doing KT at work. More than 1,200 people completed the survey. The high number of responses is attributed to an engagement strategy involving partner organizations (health authorities, research institutes, universities) in survey development and distribution. SPSS was used to analyze quantitative results according to respondents' primary role, geographic region, and work setting. Qualitative results were analyzed in NVivo. RESULTS: Over 85 percent of respondents are interested in learning more about the top KT skills identified. Research producers have higher interest in disseminating research results; research users are more interested in the application of research results. About one-half of respondents require beginner-level training in KT skills; one-quarter need advanced training. Time and cost constraints are the biggest barriers to participating in KT training. More than one-half of respondents have no financial support for travel and almost one-half lack support for registration fees. Time is the biggest challenge to integrating KT into work. CONCLUSIONS: Online surveys are useful for determining knowledge translation training needs of researchers, research users and ultimately organizations. In this case, findings suggest the importance of considering all aspects of KT in training opportunities, while taking into account different stakeholder interests. Funders can play a role in developing new training opportunities as part of a broad effort, with partners, to build capacity for the use of health research evidence. Survey results would ideally be complemented with an objective needs assessment based on core competencies, and should be acted on in a way that acknowledges the complexity of knowledge translation in healthcare, existing training activities, and the expertise stakeholders already have but may not refer to as knowledge translation.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: oui · Porte sur un sujet canadien: non
Observationnelhigh
grokMétarecherche
Domaine: Incitatifs · Genre: Empirique
Porte sur le système de recherche canadien: oui · Porte sur un sujet canadien: oui
Observationnelhigh
opusMétarecherche
Domaine: Incitatifs · Genre: Empirique
Porte sur le système de recherche canadien: oui · Porte sur un sujet canadien: oui
Observationnelhigh
modèles en désaccordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,056
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Incitatifs · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,984
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,056
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0030,007
Études des sciences et des technologies0,0040,001
Communication savante0,0030,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,963
Tête enseignante GPT0,746
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Étiqueté directement par 3 modèles lisant le dossier complet.

Métarecherche

Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.

Devis d'étudeObservationnel
DomaineIncitatifs
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations74
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetHealth Policy Implementation ScienceCatégorieMétarechercheTravaux en français237 207