Translating evidence into practice: the role of health research funders
Notice bibliographique
Résumé
BACKGROUND: A growing body of work on knowledge translation (KT) reveals significant gaps between what is known to improve health, and what is done to improve health. The literature and practice also suggest that KT has the potential to narrow those gaps, leading to more evidence-informed healthcare. In response, Canadian health research funders and agencies have made KT a priority. This article describes how one funding agency determined its KT role and in the process developed a model that other agencies could use when considering KT programs. DISCUSSION: While 'excellence' is an important criterion by which to evaluate and fund health research, it alone does not ensure relevance to societal health priorities. There is increased demand for return on investments in health research in the form of societal and health system benefits. Canadian health research funding agencies are responding to these demands by emphasizing relevance as a funding criterion and supporting researchers and research users to use the evidence generated.Based on recommendations from the literature, an environmental scan, broad circulation of an iterative discussion paper, and an expert working group process, our agency developed a plan to maximize our role in KT. Key to the process was development of a model comprising five key functional areas that together create the conditions for effective KT: advancing KT science; building KT capacity; managing KT projects; funding KT activities; and advocating for KT. Observations made during the planning process of relevance to the KT enterprise are: the importance of delineating KT and communications, and information and knowledge; determining responsibility for KT; supporting implementation and evaluation; and promoting the message that both research and KT take time to realize results. SUMMARY: Challenges exist in fulfilling expectations that research evidence results in beneficial impacts for society. However, health agencies are well placed to help maximize the use of evidence in health practice and policy. We propose five key functional areas of KT for health agencies, and encourage partnerships and discussion to advance the field.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | Métarecherche Domaine: Incitatifs · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | Métarecherche Domaine: Incitatifs · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | medium |
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 | 0,593 | 0,658 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,019 | 0,050 |
| Communication savante | 0,071 | 0,043 |
| Science ouverte | 0,010 | 0,059 |
| Intégrité de la recherche | 0,026 | 0,028 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».