Optimizing Use in the Field of Program Evaluation by Integrating Learning from the Knowledge Field
Notice bibliographique
Résumé
Abstract: It has been almost 20 years since Shulha and Cousins (1997) published their seminal paper exploring evaluation use. The paper examined a decade, 1986 to 1996, of theory, practice, and research on evaluation use. Since that time there have been significant developments related to the phenomenon of evaluation use. Outside of evaluation a new and burgeoning field has focused on the use of research in practice and policy; in health care the term knowledge translation has been used and in social sciences knowledge mobilization. Despite the rapidly growing body of research from the knowledge field, the different terminology used in evaluation, health care, and the social sciences has created siloed bodies of knowledge, even when working on similar change processes. This may be one of the factors why the large body of literature on evaluation use has received little attention in health care and vice versa. The aim of this article is threefold: first, to examine the developments in evaluation use since Shulha and Cousins’s (1997) paper; second, to explore how the knowledge fields, focusing on knowledge translation and mobilization, can help to further refine and develop our understanding of use; and third, to imagine what future research that interweaves the knowledge field with the field of program evaluation might look like and how it has the potential to serve the contexts where this research would be conducted.
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 | 0,156 | 0,222 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,015 |
| Communication savante | 0,021 | 0,018 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».