MétaCan
Menu
Retour à la cohorte
Enregistrement W2171862122 · doi:10.1136/bjsports-2012-092099

From consensus to action: knowledge transfer, education and influencing policy on sports concussion

2013· article· en· W2171862122 sur OpenAlexaff
Christine Provvidenza, Lars Engebretsen, Charles H. Tator, Jamie Kissick, Paul McCrory, Allen K. Sills, Karen M. Johnston

Notice bibliographique

RevueBritish Journal of Sports Medicine · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueTraumatic Brain Injury Research
Établissements canadiensToronto Western HospitalUniversity of TorontoAthletic Edge Sports MedicineActive Healthy KidsParachute
Organismes subventionnairesnon disponible
Mots-clésConcussionMedical educationMedicineSocial mediaValue (mathematics)PsychologyPoison controlInjury preventionComputer scienceMedical emergency

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: To: (1) provide a review of knowledge transfer (KT) and related concepts; (2) look at the impact of traditional and emerging KT strategies on concussion knowledge and education; (3) discuss the value and impact of KT to organisations and concussion-related decision making and (4) make recommendations for the future of concussion education. DESIGN: Qualitative literature review of KT and concussion education literature. INTERVENTION: PubMed, Medline and Sport Discus databases were reviewed and an internet search was conducted. The literature search was restricted to articles published in the English language, but not restricted to any particular years. Altogether, 67 journal articles, 21 websites, 1 book and 1 report were reviewed. RESULTS: The value of KT as part of concussion education is increasingly becoming recognised. Target audiences benefit from specific learning strategies. Concussion tools exist, but their effectiveness and impact require further evaluation. The media is valuable in drawing attention to concussion, but efforts need to ensure that the public is aware of the right information. Social media as a concussion education tool is becoming more prominent. Implementation of KT models is one approach which organisations can use to assess knowledge gaps; identify, develop and evaluate education strategies and use the outcomes to facilitate decision-making. CONCLUSIONS: Implementing KT strategies requires a defined plan. Identifying the needs, learning styles and preferred learning strategies of target audiences, coupled with evaluation, should be a piece of the overall concussion education puzzle to have an impact on enhancing knowledge and awareness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,135
score de la tête « metaresearch » (Gemma)0,232
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,135
Score d'incertitude au seuil0,711

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1350,232
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0080,005
Études des sciences et des technologies0,0080,037
Communication savante0,0190,027
Science ouverte0,0050,026
Intégrité de la recherche0,0150,011
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,362
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations105
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Journal of Sports MedicineMême sujetTraumatic Brain Injury ResearchTravaux en français237 207