Process Evaluation of a Participatory, Multimodal Intervention to Improve Evidence‐Based Care in Long‐Term Care Settings
Notice bibliographique
Résumé
BACKGROUND: Evidence-based improvements in long-term care (LTC) are challenging due to human resource constraints. AIMS: To evaluate implementation of a multimodal, participatory intervention aimed at improving evidence-based care. METHODS: Using a qualitative descriptive design, we conducted and inductively analyzed individual interviews with staff at midpoint and end-point to identify action plan implementation processes and challenges. The 9-month intervention engaged professional and unregulated staff in an on-site workshop and provided support for their development and implementation of site-specific action plans. RESULTS: Ten of 12 enrolled sites participated for the full study period. Interviews were conducted with 44 and 69 participants at midpoint and end-point, respectively. Seven of 10 sites focused their action plan on team functioning and communication. Main achievements described at end-point were improved team communication, better staff engagement, and improved teamwork. Internal and external supports for action plan implementation were described as critical for success. DISCUSSION: Three factors influenced change: vertically and horizontally linked teams, external facilitator support for action plan implementation, and coaching by Best Practice Coordinators that emphasized organizational change and normalization of evidence-based practice. IMPLICATIONS: Team functioning and communication are forerunners of clinical practice changes in LTC. An off-site model of facilitation is promising and may provide a more efficient means to reach a wider array of LTC settings. LINKING EVIDENCE TO ACTION: Practice changes need engagement of all staff.
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 | 0,011 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».