Reflections on Knowledge Brokering Within a Multidisciplinary Research Team
Notice bibliographique
Résumé
Knowledge brokering (KB) may be one approach of helping researchers and decision makers effectively communicate their needs and abilities, and move toward increased use of evidence in health care. A multidisciplinary research team in Nova Scotia, Canada, has created a dedicated KB position with the goal of improving access to quality colorectal cancer care. The purpose of this paper is to provide an in-progress perspective on KB within this large research team. A KB position ("knowledge broker") was created to perform two primary tasks: (1) facilitate ongoing communication among team members; and (2) develop and maintain collaborations between researchers and decision makers to establish partnerships for the transfer and use of research findings. In this article, we discuss our KB model and its implementation, describe the broker's functions and activities, and present preliminary outcomes. The primary functions of the KB position have included: sustaining team members' engagement; harnessing members' expertise and sharing it with others; developing and maintaining communication tools/strategies; and establishing collaborations between team members and other stakeholders working in cancer care. The broker has facilitated an integrated knowledge translation approach to research conduct and led to the development of new collaborations with external stakeholders and other cancer/health services researchers. KB roles will undoubtedly differ across contexts. However, descriptive assessments can help others determine whether such an approach could be valuable for their research programs and, if so, what to expect during the process.
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 | 0,035 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».