A scoping review of classification schemes of interventions to promote and integrate evidence into practice in healthcare
Notice bibliographique
Résumé
BACKGROUND: Many models and frameworks are currently used to classify or describe knowledge translation interventions to promote and integrate evidence into practice in healthcare. METHODS: We performed a scoping review of intervention classifications in public health, clinical medicine, nursing, policy, behaviour science, improvement science and psychology research published to May 2013 by searching MEDLINE, PsycINFO, CINAHL and the grey literature. We used five stages to map the literature: identifying the research question; identifying relevant literature; study selection; charting the data; collating, summarizing, and reporting results. RESULTS: We identified 51 diverse classification schemes, including 23 taxonomies, 15 frameworks, 8 intervention lists, 3 models and 2 other formats. Most documents were public health based, 55% included a literature or document review, and 33% were theory based. CONCLUSIONS: This scoping review provides an overview of schemes used to classify interventions which can be used for evaluation, comparison and validation of existing and emerging models. The collated taxonomies can guide authors in describing interventions; adequate descriptions of interventions will advance the science of knowledge translation in healthcare.
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 | 0,142 | 0,303 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,009 | 0,010 |
| Bibliométrie | 0,077 | 0,063 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,010 | 0,013 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».