An Introduction to the Knowledge Translation Special Issue of the <i>Canadian Respiratory Journal</i>
Notice bibliographique
Résumé
Health sciences research continues to progress at an astounding pace, with the discovery of novel molecules, therapies and technologies to yield ever newer health-related knowledge. Yet, despite the time and resources devoted to identify these myriad new ways to improve health, evaluations of actual care consistently demonstrate gaps between this medical knowledge (‘what we ought to be doing’) and its application in practice (‘what we are doing’) (1). The obvious implication is that our patients are not reaping the full benefits of advances in medical knowledge. Accordingly, organizations around the world are increasingly recognizing the danger of investment in knowledge creation without complementary investment in knowledge implementation. This paradigm shift has given rise to the science of knowledge translation (KT). What is KT? The Canadian Institutes of Health Research (CIHR) defines KT as “a dynamic and iterative process that includes synthesis, dissemination, exchange and ethically-sound application of knowledge to improve the health of Canadians, provide more effective health services and products and strengthen the health care system” (2). More simply, KT is the act of closing the knowledge-to-practice gap, or the so-called ‘know-do’ gap. It subsumes all activities that occur after knowledge is created, including analysis of the magnitude of care gaps and barriers and facilitators to application of knowledge, development of strategies to overcome barriers and to utilize facilitators, and objective measurements of the success of these strategies and their sustainability (3).
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 | 0,011 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,016 | 0,008 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,012 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,129 | 0,046 |
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 ».