Involving clinicians in sports medicine and physiotherapy research: ‘design thinking’ to help bridge gaps between practice and evidence
Notice bibliographique
Résumé
Bridging the gap between current practice and evidence is not easy in sports medicine. Research findings must be relevant to real-world clinical practice and effectively reach practitioners, who then must understand, interpret and apply them to their patients. Any change in practice requires clinically meaningful research to spark interest among clinicians. The ‘Ikea effect’—where novice builders value their own creations as highly as the work of experts1—provides some insight into a strategy which will help drive clinical research uptake. Specifically, engaging clinicians in the scientific process is key to ensuring effective translation of research to patient care. Sports medicine research needs a ‘design thinking’ approach that prioritises the needs of the end user.2 Design thinking would have clinicians guiding researchers in designing research questions based on experience and interaction with patients to solve practice-generated problems.3 As an example, patients are unlikely to engage in a treatment plan if their beliefs and expectations are not considered in the decision-making process4; increasingly funding organisations require input from patient partners in grant applications. Similarly, clinicians are unlikely to implement, or even read, research that they find irrelevant to their practice, yet it is rare for funding bodies to require clinician partners in grant applications. However, research teams should strongly value input from clinician partners from research conceptualisation …
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,024 | 0,037 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».