Knowledge to action for solving complex problems: insights from a review of nine international cases
Notice bibliographique
Résumé
INTRODUCTION: Solving complex problems such as preventing chronic diseases introduces unique challenges for the creation and application of knowledge, or knowledge to action (KTA). KTA approaches that apply principles of systems thinking are thought to hold promise, but practical strategies for their application are not well understood. In this paper we report the results of a scan of systems approaches to KTA with a goal to identify how to optimize their implementation and impact. METHODS: A 5-person advisory group purposefully selected 9 initiatives to achieve diversity on issues addressed and organizational forms. Information on each case was gathered from documents and through telephone interviews with primary contacts within each organization. Following verification of case descriptions, an inductive analysis was conducted within and across cases. RESULTS: The cases revealed 5 guidelines for moving from conceiving KTA systems to implementing them: (1) establish and nurture relationships, (2) co-produce and curate knowledge, (3) create feedback loops, (4) frame as systems interventions rather than projects, and (5) consider variations across time and place. CONCLUSION: Results from the environmental scan are a modest start to translating systems concepts for KTA into practice. Use of the strategies revealed in the scan may improve KTA for solving complex public health problems. The strategies themselves will benefit from the development of a science that aims to understand adaptation and ongoing learning from policy and practice interventions, strengthens enduring relationships, and fills system gaps in addition to evidence gaps. Systems approaches to KTA will also benefit from robust evaluations.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».