Integrating research, clinical care, and education in academic health science centers
Notice bibliographique
Résumé
Purpose One of the major issues faced by academic health science centers (AHSCs) is the need for mechanisms to foster the integration of research, clinical, and educational activities to achieve the vision of evidence-informed decision making (EIDM) and optimal client care. The paper aims to discuss this issue. Design/methodology/approach This paper synthesizes literature on organizational learning and collaboration, evidence-informed organizational decision making, and learning-based organizations to derive insights concerning the nature of effective workplace learning in AHSCs. Findings An evidence-informed model of collaborative workplace learning is proposed to aid the alignment of research, clinical, and educational functions in AHSCs. The model articulates relationships among AHSC academic functions and sub-functions, cross-functional activities, and collaborative learning processes, emphasizing the importance of cross-functional activities in enhancing collaborative learning processes and optimizing EIDM and client care. Cross-functional activities involving clinicians, researchers, and educators are hypothesized to be a primary vehicle for integration, supported by a learning-oriented workplace culture. These activities are distinct from interprofessional teams, which are clinical in nature. Four collaborative learning processes are specified that are enhanced in cross-functional activities or teamwork: co-constructing meaning, co-learning, co-producing knowledge, and co-using knowledge. Practical implications The model provides an aspirational vision and insight into the importance of cross-functional activities in enhancing workplace learning. The paper discusses the conceptual and empirical basis to the model, its contributions and limitations, and implications for AHSCs. Originality/value The model's potential utility for health care is discussed, with implications for organizational culture and the promotion of cross-functional activities.
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 | 0,083 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,014 |
| Études des sciences et des technologies | 0,012 | 0,021 |
| Communication savante | 0,027 | 0,012 |
| Science ouverte | 0,005 | 0,035 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».