Using Network Analysis to Understand Knowledge Mobilization in a Community-based Organization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Knowledge mobilization (KM) has been described as putting research in the hands of research users. Network analysis is an empirical approach that has potential for examining the complex process of knowledge mobilization within community-based organizations (CBOs). Yet, conducting a network analysis in a CBO presents challenges. PURPOSE: The purpose of this paper is to demonstrate the value and feasibility of using network analysis as a method for understanding knowledge mobilization within a CBO by (1) presenting challenges and solutions to conducting a network analysis in a CBO, (2) examining the feasibility of our methodology, and (3) demonstrating the utility of this methodology through an example of a network analysis conducted in a CBO engaging in knowledge mobilization activities. METHOD: The final method used by the partnership team to conduct our network analysis of a CBO is described. RESULTS: An example of network analysis results of a CBO engaging in knowledge mobilization is presented. In total, 81 participants completed the network survey. All of the feasibility benchmarks set by the CBO were met. Results of the network analysis are highlighted and discussed as a means of identifying (1) prominent and influential individuals in the knowledge mobilization process and (2) areas for improvement in future knowledge mobilization initiatives. CONCLUSION: Findings demonstrate that network analysis can be feasibly used to provide a rich description of a CBO engaging in knowledge mobilization activities.
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.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle