Knowledge Translation Platform Increasing Use of Research Evidence in Physical Activity Policy Making - A Case Study in Finland
Notice bibliographique
Résumé
BACKGROUND: Knowledge Translation Platform (KTP) in partnerships between policymakers, stakeholders, and researchers was established in order to enhance evidence-informed policymaking on physical activity. The article aims to give answers to specific questions, such as what were the main knowledge translation tools to improve access to research evidence in physical activity policy in Finland; which factors facilitated the improvements in use of research evidence, and what kind of procedures were implemented to improve the use of research evidence in policy making.METHODS: The study triangulated qualitative data from documents, reviews and observations of meetings between 2012 and 2013. Purposive sampling of meeting documents was used and data was analysed using a thematic content analysis of documents.RESULTS: KTP contributed to an increased awareness of the importance of the use of research evidence in physical activity policymaking, and strengthened relationships between policymakers, stakeholders and researchers. Support from policymakers and professionals as well as a window of opportunity facilitated KTP activities. Based on the KTP experience, institutionalization within the government could help to keep the use of research evidence high on the agenda.CONCLUSIONS: The case study provided unique insights into what counts for developing use of research evidence in policymaking. The expectations of the public policy were to give a larger role to evidence-informed policymaking, but expectations conflicted between the interests of various stakeholders. The establishment of KTP was a promising development in supporting the use of research evidence in physical activity policymaking. Real-time lesson drawing from the experiences of KTP can support improvements in the functioning of KTP in the short term, while making the case for sustaining their work in the long term.
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 | 0,092 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,018 | 0,012 |
| Communication savante | 0,016 | 0,015 |
| Science ouverte | 0,003 | 0,022 |
| Intégrité de la recherche | 0,008 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».