“We Learn by Doing”: Teaching and Learning Knowledge Translation Skills at the Graduate Level
Notice bibliographique
Résumé
Knowledge Translation (KT) is increasingly a requirement for scholars and non-academics working in applied settings. However, few programs provide explicit training in KT. In this article we systematically explore our experiences as a multi-disciplinary group of course facilitators and students in a newly redeveloped graduate course in Evidence Based Practice and Knowledge Translation. The course was designed to emphasize hands-on learning, collaboration and community engagement. We reflect on the challenges we faced and the skills, knowledge and opportunities that students gained as they developed and implemented community-based KT strategies relating to refugee resettlement, young carers, and consumer attitudes, behaviour and values around food purchasing decisions. We conclude by providing recommendations for instructors and institutions for implementing learning experiences in KT that are designed for real-world impact. L’application des connaissances (AC) est devenue une exigence de plus en plus fréquente pour les chercheurs et les personnes qui travaillent dans les milieux non universitaires. Toutefois, peu de programmes offrent une formation explicite en AC. Dans cet article, nous explorons systématiquement nos expériences en tant que groupe pluridisciplinaire formé de responsables de cours et d’étudiants dans un cours de cycle supérieur nouvellement remanié portant sur la pratique fondée sur les données probantes et l’application des connaissances. Le cours a été conçu pour mettre en valeur l’apprentissage pratique, la collaboration et l’engagement communautaire. Nous réfléchissons aux défis auxquels nous avons été confrontés ainsi qu’aux compétences, aux connaissances et aux opportunités que les étudiants ont acquis en développant et mettant en pratique des stratégies d’AC en milieu communautaire sur les thèmes de la réinstallation des réfugiés, des jeunes aidants et des attitudes, comportements et valeurs des consommateurs en matière d’achat de produits alimentaires. En conclusion, nous présentons des recommandations à l’intention des enseignants et des établissements pour la mise en pratique d’expériences en AC qui soient conçues pour avoir un effet dans le monde réel.
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 | 0,026 | 0,007 |
| 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 | 0,035 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».