Capacity development in health systems and policy research: a survey of the Canadian context
Notice bibliographique
Résumé
BACKGROUND: Over the past decade, substantial global investment has been made to support health systems and policy research (HSPR), with considerable resources allocated to training. In Canada, signs point to a larger and more highly skilled HSPR workforce, but little is known about whether growth in HSPR human resource capacity is aligned with investments in other research infrastructure, or what happens to HSPR graduates following training. METHODS: We collected data from the Canadian Institutes of Health Research, Canada's national health research funding agency, and the Canadian Association for Health Services and Policy Research on recent graduates in the HSPR workforce. We also surveyed 45 Canadian HSPR training programs to determine what information they collect on the career experiences of graduates. RESULTS: No university programs are currently engaged in systematic follow-up. Collaborative training programs funded by the national health research funding agency report performing short-term mandated tracking activities, but whether and how data are used is unclear. No programs collected information about whether graduates were using skills obtained in training, though information collected by the national funding agency suggests a minority (<30%) of doctoral-level trainees moving on to academic careers. CONCLUSIONS: Significant investments have been made to increase HSPR capacity in Canada and around the world but no systematic attempts to evaluate the impact of these investments have been made. As a research community, we have the expertise and responsibility to evaluate our health research human resources and should strive to build a stronger knowledge base to inform future investment in HSPR research capacity.
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 | 0,114 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».