Knowledge Translation: Moving Proteomics Science to Innovation in Society
Notice bibliographique
Résumé
Proteomics is one of the pivotal next-generation biotechnologies in the current "postgenomics" era. Little is known about the ways in which innovative proteomics science is navigating the complex socio-political space between laboratory and society. It cannot be assumed that the trajectory between proteomics laboratory and society is linear and unidirectional. Concerned about public accountability and hopes for knowledge-based innovations, funding agencies and citizens increasingly expect that emerging science and technologies, such as proteomics, are effectively translated and disseminated as innovation in society. Here, we describe translation strategies promoted in the knowledge translation (KT) and science communication literatures and examine the use of these strategies within the field of proteomics. Drawing on data generated from qualitative interviews with proteomics scientists and ethnographic observation of international proteomics conferences over a 5-year period, we found that proteomics science incorporates a variety of KT strategies to reach knowledge users outside the field. To attain the full benefit of KT, however, proteomics scientists must challenge their own normative assumptions and approaches to innovation dissemination-beyond the current paradigm relying primarily on publication for one's scientific peers within one's field-and embrace the value of broader (interdisciplinary) KT strategies in promoting the uptake of their research. Notably, the Human Proteome Organization (HUPO) is paying increasing attention to a broader range of KT strategies, including targeted dissemination, integrated KT, and public outreach. We suggest that increasing the variety of KT strategies employed by proteomics scientists is timely and would serve well the omics system sciences community.
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 | 0,002 |
| 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 | 0,000 | 0,001 |
| 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 ».