Lessons from the business sector for successful knowledge management in health care: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The concept of knowledge management has been prevalent in the business sector for decades. Only recently has knowledge management been receiving attention by the health care sector, in part due to the ever growing amount of information that health care practitioners must handle. It has become essential to develop a way to manage the information coming in to and going out of a health care organization. The purpose of this paper was to summarize previous studies from the business literature that explored specific knowledge management tools, with the aim of extracting lessons that could be applied in the health domain. METHODS: We searched seven databases using keywords such as "knowledge management", "organizational knowledge", and "business performance". We included articles published between 2000-2009; we excluded non-English articles. RESULTS: 83 articles were reviewed and data were extracted to: (1) uncover reasons for initiating knowledge management strategies, (2) identify potential knowledge management strategies/solutions, and (3) describe facilitators and barriers to knowledge management. CONCLUSIONS: KM strategies include such things as training sessions, communication technologies, process mapping and communities of practice. Common facilitators and barriers to implementing these strategies are discussed in the business literature, but rigorous studies about the effectiveness of such initiatives are lacking. The health care sector is at a pinnacle place, with incredible opportunities to design, implement (and evaluate) knowledge management systems. While more research needs to be done on how best to do this in healthcare, the lessons learned from the business sector can provide a foundation on which to build.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle