Exploring mentorship as a strategy to build capacity for knowledge translation research and practice: a scoping systematic review
Notice bibliographique
Résumé
BACKGROUND: Knowledge translation (KT) supports use of evidence in healthcare decision making but is not widely practiced. Mentoring is a promising means of developing KT capacity. The purpose of this scoping systematic review was to identify essential components of mentoring that could be adapted for KT mentorship. METHODS: Key social sciences and management databases were searched from January 2002 to December 2011 inclusive. Empirical research in non-healthcare settings that examined mentorship design and impact for improving job-specific knowledge and skill were eligible. Members of the study team independently selected eligible studies, and extracted and summarized data. RESULTS: Of 2,101 search results, 293 were retrieved and 13 studies were eligible for review. All but one reported improvements in knowledge, skill, or behavior. Mentoring program components included combining preliminary workshop-based training with individual mentoring provided either in person or remotely; training of mentors; and periodic mentoring for at least an hour over a minimum period of six months. Barriers included the need for infrastructure for recruitment, matching, and training; lack of clarity in mentoring goals; and limited satisfaction with mentors and their availability. Findings were analyzed against a conceptual framework of factors that influence mentoring design and impact to identify issues warranting further research. CONCLUSION: This study identified key mentoring components that could be adapted for KT mentorship. Overall, few studies were identified. Thus further research should explore whether and how mentoring should be tailored to baseline knowledge or skill and individual KT needs; evaluate newly developed or existing KT mentorship programs based on the factors identified here; and examine whether and how KT mentorship develops KT capacity. The conceptual framework could be used to develop or evaluate KT mentoring programs.
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 | 0,138 | 0,295 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,010 |
| Bibliométrie | 0,032 | 0,029 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».