Defining dimensions of research readiness: a conceptual model for primary care research networks
Notice bibliographique
Résumé
BACKGROUND: Recruitment to research studies in primary care is challenging despite widespread implementation of electronic patient record (EPR) systems which potentially make it easier to identify eligible cases. METHODS: Literature review and applying the learning from a European research readiness assessment tool, the TRANSFoRm International Research Readiness instrument (TIRRE), to the context of the English NHS in order to develop a model to assess a practice's research readiness. RESULTS: Seven dimensions of research readiness were identified: (1) Data readiness: Is there good data quality in EPR systems; (2) Record readiness: Are EPR data able to identify eligible cases and other study data; (3) Organisational readiness: Are the health system and socio-cultural environment supportive; (4) Governance readiness: Does the study meet legal and local health system regulatory compliance; (5) Study-specific readiness; (6) Business process readiness: Are business processes tilted in favour of participation: including capacity and capability to take on extra work, financial incentives as well as intangibles such as social and intellectual capital; (7) Patient readiness: Are systems in place to recruit patients and obtain informed consent? CONCLUSIONS: The model might enable the development of interventions to increase participation in primary care-based research and become a tool to measure the progress of practice networks towards the most advanced state of readiness.
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 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 | 0,034 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».