Making Research Results Relevant and Useable: Presenting Complex Organizational Context Data to Nonresearch Stakeholders in the Nursing Home Setting
Notice bibliographique
Résumé
BACKGROUND: The success of evidence-based practice depends on clearly and effectively communicating often complex data to stakeholders. In our program of research, Translating Research in Elder Care (TREC), we focus on improving the quality and safety of care delivered to nursing home residents in western Canada. More specifically, we investigate associations among organizational context, the use of best practices and resident outcomes. Our data are complex and we have been challenged with presenting these data in a way that is not only intuitive, but also useful for our stakeholders. AIM: To illustrate a technique of organizing and presenting complex data to nonresearch stakeholders. METHODS: Using observational data previously collected within the TREC study, we used k-means cluster analysis to categorize nursing home resident care units or facilities within our sample into two distinct groups-those with more favorable contexts (work environment) and those with less favorable contexts. We then produced scatter plots to illustrate group differences between context and various quality indicators among resident care units or facilities. RESULTS: Care aides working on units with more favorable context reported higher use of best practices. When aggregated at the nursing home facility level, facilities with low rates of both urinary tract infections and indwelling catheter use are higher in organizational context. When feeding back these results to stakeholders, we identify their units so that they are able to visually assess their units, both relative to each other and relative to all other units and facilities both within and among provinces. LINKING EVIDENCE TO ACTION: Although we have not formally evaluated this method, we have used it extensively as part of the feedback we provide to stakeholders. As we are examining modifiable aspects of context, the stakeholder can then identify areas for improvement and thus implement a focused plan.
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 | 0,020 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».