Overcoming counter-knowledge through telemedicine communication technologies
Notice bibliographique
Résumé
Purpose Knowledge acquired from sources of unverified information such as gossip, partial truths or lies, in this paper it is termed as "counter-knowledge." The purpose of this paper is to explore this topic through an exploration of the links between a Hospital-in-the-Home Units (HHUs) learning process (LP), counter-knowledge, and the utilization of communication technologies. The following two questions are addressed: Does the reduction of counter-knowledge result in the utilization of communication technologies? Does the development of counter-knowledge hinder the LP? Design/methodology/approach This paper examines the relevance of communication technologies to the exploration and exploitation of knowledge for 252 patients of a (HHU) within a Spanish regional hospital. The data collected was analyzed using the PLS-Graph. Findings To HHU managers, this study offers a set of guidelines to assist in their gaining an understanding of the role of counter-knowledge in organizational LPs and the potential contribution of communication technologies. Our findings support the proposition that the negative effects of counter-knowledge can be mitigated by using communication technologies. Originality/value It is argued in this paper that counter-knowledge may play a variety of different roles in the implementation of LPs. Specifically, the assignment of communication technologies to homecare units has given them the means to filter counter-knowledge and prevent users from any possible problems caused by such counter-knowledge.
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 | 0,002 | 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 | 0,002 | 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 ».