APPRECIATIVE INQUIRY: BRIDGING RESEARCH AND PRACTICE IN A HOSPITAL SETTING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this action study, researchers worked with a team of interdisciplinary practitioners to co-develop knowledge and practice in a medical unit of a large urban hospital in Canada. An appreciative inquiry approach was utilized to guide the project. This paper specifically focuses on examining the research experiences of practitioners, their accounts on how the research influenced their practice development to enact person-centred care. The project took place in the hospital’s medical unit. A total of 50 staff participants attended focus groups, including nursing staff, allied health practitioners, unit leaders, and physicians. One senior hospital administrator was interviewed individually. In total, 36 focus groups were conducted, to bring participants together to co-vision and co-develop person-centred care. Analysis of the data produced three themes: (a) appreciating the power of co-inquiry, (b) building team capacity, and (c) continuous development. Furthermore, ten key enablers for engaging staff in the research process were developed from the data. A conceptual tool, ‘Team Engagement Action Making’ (TEAM) has been created to support others to do similar work in practice development. A very practical use of the tool is for team discussion, as talking points to stimulate reflection on what needs to be considered to facilitate change. The study results demonstrated the appreciative inquiry approach has the potential to address gaps in knowledge by revealing ways to take action. Future research should further investigate how the appreciative inquiry approach may be used to support bridging research and practice.
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.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 découle