Engaging Stakeholders and Promoting Uptake of OMERACT Core Outcome Instrument Sets
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
OBJECTIVE: While there has been substantial progress in the development of core outcomes sets, the degree to which these are used by researchers is variable. We convened a special workshop on knowledge translation at the Outcome Measures in Rheumatology (OMERACT) 2016 with 2 main goals. The first focused on the development of a formal knowledge translation framework and the second on promoting uptake of recommended core outcome domain and instrument sets. METHODS: We invited all 189 OMERACT 2016 attendees to the workshop; 86 attended, representing patient research partners (n = 15), healthcare providers/clinician researchers (n = 52), industry (n = 4), regulatory agencies (n = 4), and OMERACT fellows (n = 11). Participants were given an introduction to knowledge translation and were asked to propose and discuss recommendations for the OMERACT community to (1) strengthen stakeholder involvement in the core outcome instrument set development process, and (2) promote uptake of core outcome sets with a specific focus on the potential role of post-regulatory decision makers. RESULTS: We developed the novel "OMERACT integrated knowledge translation" framework, which formalizes OMERACT's knowledge translation strategies. We produced strategies to improve stakeholder engagement throughout the process of core outcome set development and created a list of creative and innovative ways to promote the uptake of OMERACT's core outcome sets. CONCLUSION: The guidance provided in this paper is preliminary and is based on the views of the participants. Future work will engage OMERACT groups, "post-regulatory decision makers," and a broad range of different stakeholders to identify and evaluate the most useful methods and processes, and to revise guidance accordingly.
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 | 0,007 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle