Knowledge ‘Translation’ as social learning: negotiating the uptake of research-based knowledge in practice
Notice bibliographique
Résumé
BACKGROUND: Knowledge translation and evidence-based practice have relied on research derived from clinical trials, which are considered to be methodologically rigorous. The result is practice recommendations based on a narrow view of evidence. We discuss how, within a practice environment, in fact individuals adopt and apply new evidence derived from multiple sources through ongoing, iterative learning cycles. DISCUSSION: The discussion is presented in four sections. After elaborating on the multiple forms of evidence used in practice, in section 2 we argue that the practitioner derives contextualized knowledge through reflective practice. Then, in section 3, the focus shifts from the individual to the team with consideration of social learning and theories of practice. In section 4 we discuss the implications of integrative and negotiated knowledge exchange and generation within the practice environment. Namely, how can we promote the use of research within a team-based, contextualized knowledge environment? We suggest support for: 1) collaborative learning environments for active learning and reflection, 2) engaged scholarship approaches so that practice can inform research in a collaborative manner and 3) leveraging authoritative opinion leaders for their clinical expertise during the shared negotiation of knowledge and research. Our approach also points to implications for studying evidence-informed practice: the identification of practice change (as an outcome) ought to be supplemented with understandings of how and when social negotiation processes occur to achieve integrated knowledge. This article discusses practice knowledge as dependent on the practice context and on social learning processes, and suggests how research knowledge uptake might be supported from this vantage point.
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 | 0,020 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes 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 ».