TRANSLATING RESEARCH INTO PRACTICE USING PATIENT-CENTRED VIDEOS: DEVELOPMENT AND ANALYSIS OF UPTAKE
Notice bibliographique
Résumé
Purpose: We used patients input and behaviour change theory to design a video series on the Too Fit To Fracture physical activity recommendations. The aim of this work is to describe series development and report on uptake. Methods: Focus groups and interviews were conducted with older adults across Ontario, with purposeful sampling by gender and urban/rural location. Two researchers coded data and identified emerging themes, categorized as representing capability, opportunity and motivation in accordance with the Behaviour Change Wheel. Themes informed a 13-part video series featuring patient stories, answers to common questions, and functions: modeling, persuasion, training, incentivisation, education and enablement. Videos featured cases of variable age and gender, and addressed noted barriers or patient questions. Media communications were the primary delivery method. Uptake over 7 months was estimated as views in total and by region. Results: Since their release in November 2015, videos were shared by the Canadian Society for Exercise Physiology, Osteoporosis Canada, American Society for Bone and Mineral Research and the International Osteoporosis Foundation, and in traditional and social media. Videos were viewed 20,800 times in 86 countries. Audiences were primarily in Canada (16898 views, 81% of total) and the United States (2060 views, 10% of total) and other English-speaking countries (744 views, 4% of total). Average duration of views in English-speaking countries was 78% compared to 60% elsewhere. Within Canada, rural residents accounted for 22% of the viewership, slightly above the proportion of rural Canadians (19%). Nearly half of views were within the month of release when promotion was active. Another spike came after traditional media articles about the work of one of the authors and cited the videos. Conclusions: Partnering with knowledge users to create patient-centred, theory-informed, educational tools and delivery strategies resulted in broad uptake.
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 | 0,102 | 0,312 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».