Building knowledge integration systems for evidence‐informed decisions
Notice bibliographique
Résumé
PURPOSE: This paper aims to describe methods and models designed to build a comprehensive, integrative framework to guide the research to policy and practice cycle in health care. DESIGN/METHODOLOGY/APPROACH: Current models of science are summarised, identifying specific challenges they create for knowledge to action (KTA). Alternative models for KTA are outlined to illustrate how researchers and decision makers can work together to fit the KTA model to specific problems and contexts. The Canadian experience with the evolving paradigm shift is described, along with recent initiatives to develop platforms and tools that support the new thinking. Recent projects to develop and refine methods for embedded research are described. The paper concludes with a summary of lessons learned and recommendations that will move the KTA field towards an integrated science. FINDINGS: Conceptual models for KTA are advancing, benefiting from advances in team science, development of logic models that address the realities of complex adaptive systems, and new methods to more rapidly deliver knowledge syntheses more useful to decision and policy makers. PRACTICAL IMPLICATIONS: KTA is more likely when co-produced by researchers, practitioners, and policy makers. Closer collaboration requires shifts in thinking about the ways we work, capacity development, and greater learning from practice. ORIGINALITY/VALUE: More powerful ways of thinking about the complexities of knowledge to action are provided, along with examples of tools and priorities drawn from systems thinking.
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 | 0,102 | 0,134 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,018 | 0,013 |
| Études des sciences et des technologies | 0,005 | 0,012 |
| Communication savante | 0,026 | 0,038 |
| Science ouverte | 0,007 | 0,021 |
| Intégrité de la recherche | 0,008 | 0,006 |
| 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 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 ».