Knowledge Translation in Rehabilitation: A Shared Vision
Notice bibliographique
Résumé
PURPOSE: Advances in rehabilitation provide the infrastructure for research and clinical data to improve care and patient outcomes. However, gaps between research and practice are prevalent. Knowledge translation (KT) aims to decrease the gap between research and its clinical use. This special communication summarizes KT-related proceedings from the 2016 IV STEP conference, describes current KT in rehabilitation science, and provides suggestions for its application in clinical care. SUMMARY OF KEY POINTS: We propose a vision for rehabilitation clinical practice and research that includes the development, adaptation, and implementation of evidence-based practice recommendations, which will contribute to a learning health care system. A clinical research culture that supports this vision and methods to engage key stakeholders to innovate rehabilitation science and practice are described. CONCLUSIONS: Through implementation of this vision, we can lead an evolution in rehabilitation practice to ultimately prevent disabilities, predict better outcomes, exploit plasticity, and promote participation.
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 | 0,382 | 0,172 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,016 | 0,007 |
| Études des sciences et des technologies | 0,018 | 0,107 |
| Communication savante | 0,064 | 0,068 |
| Science ouverte | 0,012 | 0,071 |
| Intégrité de la recherche | 0,044 | 0,050 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».