Learning About and Using Research Evidence Among Public Health Practitioners
Notice bibliographique
Résumé
INTRODUCTION: Funders and accreditation standards increasingly call on state and local public health agencies to use the best available science. Using research evidence is a key process in practicing evidence-based decision making (EBDM). This study explored preferences for and uses of research evidence, and examined correlates regarding frequency of use. METHODS: In 2014, eligible staff from 12 state health departments and their partnering agencies were invited to complete an online self-report questionnaire and achieved an 82% response rate (1,237/1,509). The cross-sectional data analyzed in 2015 were baseline to a study on enhancing EBDM capacity and supports. RESULTS: Webinars/workshops was the most frequently selected method to learn public health findings among those in state and local health departments, whereas academic journals was the top selection by those in universities and healthcare facilities (p<0.001). Several modifiable EBDM practices were associated with more frequent use of research evidence, including direct supervisor expectations for EBDM use and performance evaluation based partially on EBDM use (AOR=2.5, 95% CI=1.9, 3.2 and AOR=2.5, 95% CI=2.1, 2.9, respectively). Increased numbers of EBDM practices were associated with higher odds of frequent research evidence use. Participant characteristics associated with higher research evidence use and adjusted for were job role, education attainment, and gender. CONCLUSIONS: To translate research into public health practice, researchers can tailor evidence on intervention implementation and effectiveness and disease burden to accessible and preferred formats for public health workers and partners. Management practices to support evidence-based disease prevention can be instituted and fostered in public health and partnering agencies.
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 | 0,037 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».