The Learning Exchange, a Community Knowledge Commons for Learning Networks: Qualitative Evaluation to Test Acceptability, Feasibility, and Utility
Notice bibliographique
Résumé
BACKGROUND: Learning Networks are distributed learning health systems that enable collaboration at scale to improve health and health care. A key requirement for such networks is having a way to create and share information and knowledge in furtherance of the work of the community. OBJECTIVE: We describe a Learning Exchange-a bespoke, scalable knowledge management and exchange platform initially built and tested for improving pediatric inflammatory bowel disease outcomes in the ImproveCareNow (ICN) Network-and assess evidence of its acceptability, feasibility, and utility in facilitating creation and sharing of information in furtherance of the work of the community and as a model for other communities. METHODS: Acceptability was assessed via growth in active users and activity. Feasibility was measured in terms of the percentage of users with a log-in who became active users as well as user surveys and a case study. Utility was measured in terms of the type of work that the Learning Exchange facilitated for the community. RESULTS: The ICNExchange has over 1000 users and supported sharing of resources across all care centers in ICN. Users reported that the Learning Exchange has facilitated their work and resulted in increased ability to find resources relevant to local information needs. CONCLUSIONS: The ICNExchange is acceptable, feasible, and useful as a knowledge management and exchange platform in service of the work of ICN. Experience with the ICNExchange suggests that the design principles are extensible to other chronic care Learning Networks.
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 | 0,137 | 0,035 |
| 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 | 0,023 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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; 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 ».