Best Practice Recommendations for the Development, Implementation, and Evaluation of Online Knowledge Translation Resources in Rehabilitation
Notice bibliographique
Résumé
The knowledge-to-practice gap in rehabilitation has spurred knowledge translation (KT) initiatives aimed at promoting clinician behavior change and improving patient care. Online KT resources for physical therapists and other rehabilitation clinicians are appealing because of their potential to reach large numbers of individuals through self-paced, self-directed learning. This article proposes best practice recommendations for developing online KT resources that are designed to translate evidence into practice. Four recommendations are proposed with specific steps in the development, implementation, and evaluation process: (1) develop evidence-based, user-centered content; (2) tailor content to online format; (3) evaluate impact; and (4) share results and disseminate knowledge. Based on KT evidence and instructional design principles, concrete examples are provided along with insights gained from experiences in creating and evaluating online KT resources for physical therapists. In proposing these recommendations, the next steps for research are suggested, and others are invited to contribute to the discussion.
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 | 0,277 | 0,440 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,017 | 0,015 |
| Science ouverte | 0,008 | 0,009 |
| Intégrité de la recherche | 0,016 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,009 |
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 ».