Les essais et erreurs, ensemble : la pensée divergente et l’apprentissage collectif dans la mise en œuvre des réseaux intégrés de soins
Notice bibliographique
Résumé
Les réseaux hybrides, qui relient des professionnels et des organisations divers et variés sont une façon d’offrir des soins intégrés aux patients. La littérature récente soutient que la bonne mise en œuvre de ces réseaux passe par une perspective socio-cognitive, dans laquelle les représentations mentales et les processus de pensée sont priorisés, étudiés et comparés. Le présent article a pour but d’identifier les points de divergence entre les façons de voir les choses chez les acteurs cliniques et managériaux concernés par la mise en œuvre des réseaux intégrés de soins connus sous le nom de « Maillons santé » (ou « Health Links », HL) en Ontario, au Canada, et de décrire les moyens d’améliorer la capacité des acteurs à apprendre de manière collective et à développer des points de vue plus convergents. Nous nous appuyons sur la théorie des modèles mentaux partagés et la théorie de l’apprentissage par la pratique pour effectuer une analyse secondaire des données d’entretiens réalisés auprès de 55 professionnels de la santé et autres cadres concernés par la mise en œuvre des Maillons santé. Nous avons épinglé des exemples de divergences dans la manière dont les acteurs conceptualisent le modèle et l’approche en ce qui concerne ces Maillons santé (« modèle mental de stratégie ») et leurs perceptions mutuelles et la manière dont ils travaillent ensemble (« modèle mental de relations »). Nous avons par ailleurs épinglé quatre stratégies qui facilitent l’apprentissage et, éventuellement, la convergence des modèles mentaux. Les résultats de l’étude devraient faciliter le dialogue entre les parties prenantes en faveur d’un apprentissage collectif et d’une action coordonnée dans le cadre de la prestation intégrée de soins. Remarques à l’intention des praticiens Nos observations indiquent que dans la mise en œuvre d’un changement de grande envergure, faisant intervenir plusieurs groupes de parties prenantes, il existe des domaines prévisibles où des opinions divergentes sont susceptibles d’apparaître et d’avoir des effets négatifs sur la coordination des actions. Avoir conscience de ces divergences potentielles est un moyen d’amener les praticiens à les examiner de manière explicite et régulière, et à élaborer de manière proactive des stratégies destinées à favoriser l’apprentissage par la pratique et le développement d’une perspective convergente.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».