The Challenge of Moving Evidence-Based Measures into Clinical Practice: Lessons in Knowledge Translation
Notice bibliographique
Résumé
Once a measure has been developed and validated, it may take years for implementation into clinical practice. The purpose of this paper is to describe strategies used to increase knowledge translation and use of the Gross Motor Function Measure (GMFM) and the Gross Motor Function Classification System (GMFCS) in clinical practice in the Netherlands and reflect on the process. Knowledge translation strategies included peer-reviewed publications, workshops, and posting information on Web sites. The impact of several of these strategies was evaluated using questionnaires focusing on therapists' self-reported familiarity and use of the measures. Peer reviewed publications did not appear to impact clinical practice. Interactive workshops were more successful at increasing use, but a gap remained between knowledge and use; the transfer into clinical practice was not optimal. A stages of change model proposed by Grol and colleagues (2007) was a helpful framework for reflecting on the process, planning, and evaluation of strategies for facilitating change in clinical practice.
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 | 0,456 | 0,651 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,022 | 0,037 |
| Science ouverte | 0,011 | 0,019 |
| Intégrité de la recherche | 0,011 | 0,020 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».