Concocting that Magic Elixir: Successful Grant Application Writing in Dissemination and Implementation Research
Notice bibliographique
Résumé
BACKGROUND: This paper reports core competencies for dissemination and implementation (D&I) grant application writing and provides tips for writing a successful proposal. METHODS: Two related phases were used to collect the data: a card sorting process among D&I researchers and an expert review among a smaller set of researchers. Card sorting was completed by 123 respondents. In the second phase, a series of grant application writing tips were developed based on the combined 170 years of grant review experience of the writing team. RESULTS: The card sorting resulted in 12 core competencies for D&I grant application writing that covered the main sections in a grant application to the US National Institutes of Health: (a) specific aims that provide clear rationale, objectives, and an overview of the research plan; (b) significance that frames and justifies the importance of a D&I question; (c) innovation that articulates novel products and new knowledge; and (d) approach that uses a relevant D&I model, addresses measurement and the D&I context, and includes an analysis plan well-tied to the aims and measures. CONCLUSIONS: Writing a successful D&I grant application is a skill that can be learned with experience and attention to the core competencies articulated in this paper.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,274 | 0,395 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,010 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,003 | 0,019 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».