Notice bibliographique
Résumé
Knowledge brokering is a strategy to support collaborations and partnerships within and across clinical, research, and policy worlds to improve the generation and use of research knowledge. Knowledge brokers function in multiple roles to facilitate the use of evidence by leveraging the power of these partnerships. The application of theory can provide clarity in understanding the processes, influences, expected mechanisms of action, and desired outcomes of knowledge brokering. Viewing knowledge brokering from the perspective of its role domains can provide a means of organizing these elements to advance our understanding of knowledge brokering. The objectives of this special interest article are (1) to describe the context for knowledge brokering in health care, (2) to provide an overview of knowledge translation theories applied to knowledge brokering, and (3) to propose a model outlining the role domains assumed in knowledge brokering. The Role Model for Knowledge Brokering is composed of 5 role domains, including information manager, linking agent, capacity builder, facilitator, and evaluator. We provide examples from the literature and our real-world experience to demonstrate the application of the model. This model can be used to inform the practice of knowledge brokering as well as professional development and evaluation strategies. In addition, it may be used to inform theory-driven research examining the effectiveness of knowledge brokering on knowledge generation and translation outcomes in the health care field, as well as on patient health outcomes.Video Abstract is available for more insights from the authors (see Supplemental Digital Content 1, http://links.lww.com/JNPT/A126).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».