MétaCan
Menu
Retour à la cohorte
Enregistrement W2765469439 · doi:10.1504/ijhtm.2017.10008509

Perceptions of health technology assessment knowledge translation in China: a qualitative study on HTA researchers and policy-makers

2017· article· en· W2765469439 sur OpenAlexaff
Yan Wei, Raymond Pong, Lizheng Shi, Jian Ming, Meng Tang, Yiwei Mao, Wenbin Liu, Yingyao Chen

Notice bibliographique

RevueInternational Journal of Healthcare Technology and Management · 2017
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensNOSM UniversityLaurentian University
Organismes subventionnairesnon disponible
Mots-clésHealth technologyKnowledge translationChinaQualitative researchHealth policyKnowledge managementPolitical sciencePublic relationsBusinessSociologyHealth careComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

Although health technology assessment (HTA) has existed in China since the 1980s, the integration of HTA and policy-making is still in its infancy. Knowledge translation (KT) can play an important role in facilitating evidence-based policy-making. This study aims to describe the process of KT from researches to policy-makers and identifying the main determinants of the use of HTA evidence in policy-making in China. Researchers' and health policy-makers' perceptions of HTA KT were identified, using a grounded theory analysis approach. A theoretical framework consisting of four domains emerged to represent researchers' and policy-makers' perceptions of KT from HTA to policy making. Health policy-makers and researchers identified several determinants of KT, including HTA KT processes, alignment between research and decision-making and features of HTA research and health decisions, communication between policy-makers and HTA researchers, and support and resources for KT (organisational support, researchers' and health policy-makers' personal relationships and macro environment support).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,666
Score d'incertitude au seuil0,544

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0120,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,482
Tête enseignante GPT0,606
Écart entre enseignants0,124 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Healthcare Technology and ManagementMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207