‘They hear “Africa” and they think that there can’t be any good services’ – perceived context in cross-national learning: a qualitative study of the barriers to Reverse Innovation
Notice bibliographique
Résumé
BACKGROUND: Country-of-origin of a product can negatively influence its rating, particularly if the product is from a low-income country. It follows that how non-traditional sources of innovation, such as low-income countries, are perceived is likely to be an important part of a diffusion process, particularly given the strong social and cognitive boundaries associated with the healthcare professions. METHODS: Between September and December 2014, we conducted eleven in-depth face-to-face or telephone interviews with key informants from innovation, health and social policy circles, experts in international comparative policy research and leaders in Reverse Innovation in the United States. Interviews were open-ended with guiding probes into the barriers and enablers to Reverse Innovation in the US context, specifically also to understand whether, in their experience translating or attempting to translate innovations from low-income contexts into the US, the source of the innovation matters in the adopter context. Interviews were recorded, transcribed and analyzed thematically using the process of constant comparison. RESULTS: Our findings show that innovations from low-income countries tend to be discounted early on because of prior assumptions about the potential for these contexts to offer solutions to healthcare problems in the US. Judgments are made about the similarity of low-income contexts with the US, even though this is based oftentimes on flimsy perceptions only. Mixing levels of analysis, local and national, leads to country-level stereotyping and missed opportunities to learn from low-income countries. CONCLUSIONS: Our research highlights that prior expectations, invoked by the Low-income country cue, are interfering with a transparent and objective learning process. There may be merit in adopting some techniques from the cognitive psychology and marketing literatures to understand better the relative importance of source in healthcare research and innovation diffusion. Counter-stereotyping techniques and decision-making tools may be useful to help decision-makers evaluate the generalizability of research findings objectively and transparently. We suggest that those interested in Reverse Innovation should reflect carefully on the value of disclosing the source of the innovation that is being proposed, if doing so is likely to invoke negative stereotypes.
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 | 0,019 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,018 |
| Communication savante | 0,006 | 0,009 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».