Establishing a Multicentre Clinical Research Network: Lessons Learned
Notice bibliographique
Résumé
BACKGROUND: Within many health care disciplines, research networks have emerged to connect researchers who are physically separated, to facilitate sharing of expertise and resources, and to exchange valuable skills. A multicentre research network committed to studying difficult cancer pain problems was launched in 2004 as part of a Canadian initiative to increase palliative and end-of-life care research capacity. Funding was received for 5 years to support network activities. METHODS: Mid-way through the 5-year granting period, an external review panel provided a formal mid-grant evaluation. Concurrently, an internal evaluation of the network by survey of its members was conducted. Based on feedback from both evaluations and on a review of the literature, we identified several components believed to be relevant to the development of a successful clinical cancer research network. RESULTS: THESE COMMON ELEMENTS OF SUCCESSFUL CLINICAL CANCER RESEARCH NETWORKS WERE IDENTIFIED: shared vision, formal governance policies and terms of reference, infrastructure support, regular and effective communication, an accountability framework, a succession planning strategy to address membership change over time, multiple strategies to engage network members, regular review of goals and timelines, and a balance between structure and creativity. CONCLUSIONS: In establishing and conducting a multi-year, multicentre clinical cancer research network, network members were led to reflect on the factors that contributed most to the achievement of network goals. Several specific factors were identified that seemed to be highly relevant in promoting success. These observations are presented to foster further discussion on the successful design and operation of research networks.
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 | 0,016 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».