Notice bibliographique
Résumé
There is increasing evidence that the application of knowledge in developing countries is failing. One reason is the woeful shortage of health workers, but as this is redressed, it is also crucial that we have an evidence base of what works to minimize the "know-do gap." The World Health Organization and other international organizations are actively building momentum to promote research to determine effective strategies for knowledge translation (KT). At this time, the evidence base for the effectiveness of those strategies is not definitive in developed countries and is relatively sparse in developing countries. It appears, however, that the effectiveness of these strategies is highly variable and dependent on the setting, and success hinges on whether the strategies have been tailored. A useful framework to provide direction for tailoring interventions is the Ottawa Model of Research Use (OMRU). Underlying OMRU is the principle that success rests with tailoring KT strategies to the salient barriers and supports found within the setting. The model recommends that barriers and supports found in the practice environment or as characteristics of potential adopters and the evidence-based innovation or research evidence be assessed and then the KT strategy tailored and executed. The model also recommends that whether the research has been applied and has resulted in improved health outcomes should be measured. Studies in developing countries, although few, illustrate that the OMRU approach may be a valid method of tackling the challenges of KT strategies to improve health care in developing countries.
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 | 0,052 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,005 | 0,009 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,008 |
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 ».