Trial and error, together: divergent thinking and collective learning in the implementation of integrated care networks
Notice bibliographique
Résumé
Hybrid networks that link disparate professionals and organizations are a common approach to deliver integrated care to patients. Recent literature argues that successful implementation of these networks demands a socio-cognitive perspective in which stakeholder mental frames and thought processes are prioritized, investigated, and compared. The aims of this article are to identify where mindsets diverge among clinical and managerial stakeholders involved in the implementation of integrated care networks known as ‘Health Links’ (HLs) in Ontario, Canada, and to describe strategies to support stakeholders’ capacity to collectively learn and develop more convergent views. Drawing from shared mental model theory and practice-based learning theory, a secondary analysis was conducted of interview data with 55 healthcare professionals and managers involved in the implementation of HLs. We identified examples of divergences in stakeholders’ conceptualization of the HL design and approach (‘strategy mental model’) and their perceptions of each other and how they work together (‘relationship mental model’). We also identified four strategies that facilitate learning and possibly mental model convergence. The results of the study may help guide stakeholder dialogue towards collective learning and coordinated action for integrated care delivery. Points for practitioners The findings suggest that in the implementation of large-scale change involving multiple stakeholder groups, there are predictable areas where divergent views are likely to occur and may have a negative impact on coordinated action. An awareness of these potential divergences can guide practitioners to examine them explicitly and regularly, and to proactively develop strategies to support practice-based learning and the development of a convergent perspective.
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 | 0,001 | 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 | 0,000 | 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 ».