Networking and Knowledge Exchange to Promote the Formation of Transdisciplinary Coalitions and Levels of Agreement Among Transdisciplinary Peer Reviewers
Notice bibliographique
Résumé
CONTEXT: Funding for transdisciplinary chronic disease prevention research has increased over the past decade. However, few studies have evaluated whether networking and knowledge exchange activities promote the creation of transdisciplinary teams to successfully respond to requests for proposals (RFPs). Such evaluations are critical to understanding how to accelerate the integration of research with practice and policy to improve population health. OBJECTIVE: To examine (1) the extent of participation in pre-RFP activities among funded and nonfunded transdisciplinary coalitions that responded to a RFP for cancer and chronic disease prevention initiatives and (2) levels of agreement in proposal ratings among research, practice, and policy peer reviewers. DESIGN/SETTING: Descriptive report of a Canadian funding initiative to increase the integration of evidence with action. PARTICIPANTS: Four hundred forty-nine representatives in 41 research, practice, and policy coalitions who responded to a RFP and whose proposals were peer reviewed by a transdisciplinary adjudication panel. INTERVENTION: The funder hosted 6 national meetings and issued a letter of intent (LOI) to foster research, practice, and policy collaborations before issuing a RFP. RESULTS: All provinces and territories in Canada were represented by the coalitions. Funded coalitions were 2.5 times more likely than nonfunded coalitions to submit a LOI. A greater proportion of funded coalitions were exposed to the pre-RFP activities (100%) compared with coalitions that were not funded (68%). Overall research, practice, and policy peer reviewer agreement was low (intraclass correlation 0.12). CONCLUSIONS: There is widespread interest in transdisciplinary collaborations to improve cancer and chronic disease prevention. Engagement in networking and knowledge exchange activities, and feedback from LOIs prior to submission of a final application, may contribute to stronger proposals and subsequent funding success. Future evaluations should examine best practices for transdisciplinary peer review to facilitate funding of proposals that on balance have both scientific rigor and are relevant to the real world.
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 | 0,166 | 0,341 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,012 | 0,005 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,003 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».