Strengthening the evidence and action on multi-sectoral partnerships in public health: an action research initiative
Notice bibliographique
Résumé
INTRODUCTION: The Public Health Agency of Canada's Multi-sectoral Partnerships Initiative, administered by the Centre for Chronic Disease Prevention (CCDP), brings together diverse partners to design, implement and advance innovative approaches for improving population health. This article describes the development and initial priorities of an action research project (a learning and improvement strategy) that aims to facilitate continuous improvement of the CCDP's partnership initiative and contribute to the evidence on multi-sectoral partnerships. METHODS: The learning and improvement strategy for the CCDP's multi-sectoral partnership initiative was informed by (1) consultations with CCDP staff and senior management, and (2) a review of conceptual frameworks to do with multi-sectoral partnerships. Consultations explored the development of the multi-sectoral initiative, barriers and facilitators to success, and markers of effectiveness. Published and grey literature was reviewed using a systematic search strategy with findings synthesized using a narrative approach. RESULTS: Consultations and the review highlighted the importance of understanding partnership impacts, developing a shared vision, implementing a shared measurement system and creating opportunities for knowledge exchange. With that in mind, we propose a six-component learning and improvement strategy that involves (1) prioritizing learning needs, (2) mapping needs to evidence, (3) using relevant data collection methods, (4) analyzing and synthesizing data, (5) feeding data back to CCDP staff and teams and (6) taking action. Initial learning needs include investigating partnership reach and the unanticipated effects of multi-sectoral partnerships for individuals, groups, organizations or communities. CONCLUSION: While the CCDP is the primary audience for the learning and improvement strategy, it may prove useful for a range of audiences, including other government departments and external organizations interested in capturing and sharing new knowledge generated from multi-sectoral partnerships.
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 | 0,373 | 0,263 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,010 | 0,019 |
| Communication savante | 0,028 | 0,026 |
| Science ouverte | 0,007 | 0,028 |
| Intégrité de la recherche | 0,014 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».