280 Knowledge brokers: community partners in youth injury prevention research
Notice bibliographique
Résumé
Background (issue/problem) Building strong partnerships between researchers and the community in youth sport and recreational injury prevention to promote active living and prevent chronic disease is a timely priority. Engaging community partners throughout the research process, from planning to dissemination, is critical to ensure project success, effective knowledge translation (KT) and impact. Description of the problem Involvement of community stakeholders in research often includes pre-grant solicitation of support or end-phase KT activities. To facilitate optimal and timely input from key stakeholders at all stages of research, the Alberta Program in Youth Sport and Recreational Injury Prevention developed a Knowledge Broker (KB) model. Results (effects/changes) In alignment with research priorities, KBs were identified in relevant community partner organisations (Ever Active Schools, Hockey Calgary, WinSport). KBs bridge the gap between research, education and KT priorities within the academic institution and the community. KB activities include contributing to research questions, intervention development, subject recruitment, implementation and dissemination of findings. Linking researchers and knowledge users facilitates collaboration, a greater understanding of common and diverse goals, and new partnerships. The ideal outcome of these partnerships includes optimal knowledge exchange to maximise the uptake of research evidence for the greatest public health impact. A financial contribution from the research program helps support the commitment of KBs. Conclusions The integrated nature of the research program with academic and community stakeholder partnerships, creates an ideal setting for enhancing the impact of KT. KB involvement contributes significantly to achieving research objectives. KB contributions optimise the translation of research findings into injury prevention practice, programs and policies.
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 | 0,048 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,016 | 0,021 |
| Science ouverte | 0,004 | 0,026 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,021 | 0,003 |
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 ».