Improving Cancer Control in Canada One Case at a Time: The “knowledge Translation in Cancer” Casebook
Notice bibliographique
Résumé
PURPOSE: In-the-field projects aiming to improve quality in cancer control provide a valuable complement to health services and knowledge translation (kt) research studies. The present paper describes the methods used to develop the Knowledge Translation for Cancer Control in Canada: A Casebook and its results. METHODS: Nominations for in-the-field projects were accepted from individuals and organizations across Canada. The nominations had to demonstrate that a specific cancer control problem was identified; that a deliberate and organized effort was developed and implemented to address the identified problem; and that an evaluation-formal or informal-was used to assess the effort. A selection of nominated cases were chosen for more comprehensive analysis. RESULTS: Thirty nominations were received. Most tackled problems related to treatment or diagnosis. Challenges related to breast, gastrointestinal, and genitourinary cancer were most common among the disease-specific projects, and most projects were regional in scope, with strategies targeting organizational solutions. Of the 30 nominations, 19 were chosen for further analysis. Of those 19, 5 were influenced by a kt model or theory, and 16 reported formal evaluation strategies. Surveys were the most common evaluation method, and process outcomes and clinical surrogate outcomes were the most frequently cited. Financial and administrative challenges were most often cited as key barriers. The key lessons learned concerned the need for a collaborative high-functioning team, project management, and support. CONCLUSIONS: The casebook provides tangible examples of in-the-field efforts to improve cancer control and provides practical direction for other individuals and institutions facing similar challenges. We discuss the interface between field projects and research projects in the kt arena and how mutual learning can help to optimize the value of each approach.
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 | 0,008 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».