The Complexity of Institutionalizing Evaluation as a Best Practice in North American Quitlines
Notice bibliographique
Résumé
Tobacco use continues to be the leading preventable cause of mortality and morbidity in North America and Quitlines are one of the primary cessation resources available to assist tobacco users with quitting. Implementation of best practices is important to the success of quitlines, but unfortunately, it is a complex and elusive process often difficult to achieve. This study aims to better understand the implementation process by using qualitative methods to examine an evaluation practice in-depth and to elucidate the complex factors influencing its implementation and institutionalization in the North American Quitline network. Nineteen semi-structured interviews were conducted with decision-makers in the Quitline network. The interview data were analyzed using a thematic analysis approach, guided by a systems change framework. The findings suggest that a broad range of factors influenced implementation of the evaluation practice at different levels of the system. These factors included system norms, system resources and operations (i.e., policies), five key relationships (e.g., between the funder and service provider), and power placement in the system. Characteristics of the evaluation practice itself also influenced implementation and interacted with other factors in the system. This study demonstrates the complexity of implementing and institutionalizing evaluation in an inter-organizational network. It also demonstrates the value of using qualitative data to study implementation phenomena. The findings can be used to improve efforts to institutionalize evaluation in the Quitline network and inform future implementation research studies.
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 | 0,017 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».