How Can We Develop Contextualized Theories of Effective Use? A Demonstration in the Context of Community-Care Electronic Health Records
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We contribute to the shifting discourse in the literature on information system use, towards context-specific (rather than general) theories and effective use (rather than just use). Organizations are under great pressure to use information systems effectively but they have few theories to turn to for insights. Motivated by this need, we propose an approach for developing context-specific theories of effective use. The approach suggests that effective use can be theorized by: (1) understanding how a network of affordances supports the achievement of organizational goals, (2) understanding how the affordances are actualized, and (3) using inductive theorizing to elaborate these principles in a given context. We demonstrate the approach in the context of a Canadian health authority’s use of a community-care electronic healthcare record (EHR). We discovered that effective use in this context can be viewed at a high level as the accuracy and consistency with which users work with the EHR, and how they engage in reflection-in-action across a network of nine affordances. The key, however, is understanding how those elements interact with the multiple levels of data needed to achieve the organization’s various goals. Overall, we contribute by offering an approach for developing context-specific theories of effective use, demonstrating its usefulness in an important context, and discovering the importance of understanding in a new way the multilevel nature of information systems. The online appendix is available at https://doi.org/10.1287/isre.2017.0702 .
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.
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 | 0,028 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découle