APPLYING KNOWLEDGE TRANSFER STRATEGIES IN THE DEVELOPMENT OF RESOURCES FOR OPTIMAL AGING
Notice bibliographique
Résumé
Effective knowledge transfer (KT) of research findings into practical applications may allow users to make informed health decisions (Boström et al., 2012). Increasingly, KT strategies are utilizing technology and the digitization of health-related resources. Currently, little is known about KT within aging populations, specifically those that are in digital format. Using the Conceptual Model of Knowledge Exchange (Meagher et al., 2008) as a guiding framework, a multi-phase KT initiative was implemented to promote and evaluate paper and digital resources developed by the National Initiative for the Care of the Elderly (NICE). Results from the initiative’s first phase indicate that ideas/recommendations from the tools were adopted by users (40%), the tools improved users’ knowledge and understanding on the topic (42%), and information presented in the tools is often favoured over other resources providing similar content (60%). Results on the KT format indicate that both professionals/clinicians and older adults prefer the paper-based format of the resources. These findings suggest that the challenge for effective KT is to ensure that the digitization of KT resources does not outpace their adoption by end-users and key stakeholders. For KT to be successful, the process must include the development of evidence-based resources, include the perspectives of stakeholders, and be easy to apply in various settings. Given that little is known about KT with aging populations, the described initiative provides stakeholders serving this population with practical approaches for assessing the impact of their own digital KT initiatives.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».