Connecting the dots: Understanding the flow of research knowledge within a research brokering network
Notice bibliographique
Résumé
Networks are frequently cited as an important knowledge mobilization strategy; however, there is little empirical research that considers how they connect research and practice. Taking a social network perspective, I explore how central office personnel find, understand and share research knowledge within a research brokering network. This mixed methods case study focused on the first two cohorts of school district Mental Health Leaders participating Ontario’s Child and Youth Mental Health program (N=37). Data were collected and analyzed in two phases: 1) the administration of a social network survey to all participants (response rate = 97%), and 2) follow-up interviews with key informants identified by the social network analysis (N=11). The findings indicate that this is a sparse network and the pattern of incoming ties tends to focus on a subset of individuals. When the identified key players (who are sometimes but not always program staff) are removed, network activity is cut by more than half; the removal of the remaining program staff members renders the network virtually non-existent. Research knowledge typically flowed in a single direction as there were few reciprocal ties within the network. Interview data yielded some important insights indicating that participants perceived formal CYMH events as their main access points to research knowledge and that Mental Health Leaders who were identified as prominent sources of research knowledge had pre-existing relationships with CYMH program staff.
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 | 0,038 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,011 | 0,017 |
| Communication savante | 0,019 | 0,045 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».