Networking in eHealth research: results of the IDRC SEARCH program evaluation
Notice bibliographique
Résumé
Background: The IDRC 'Strengthening Equity through Applied Research Capacity building in eHealth' (SEARCH) funded seven research projects in Bangladesh, Burkina Faso, Ethiopia, Kenya, Lebanon, Peru and Vietnam that sought to answer questions or test solutions related to the use of Internet or mobile phone technology in strengthening health systems. The evaluation accompanied these projects over two years to answer, among others, the question how cross-grant learning interactions influenced project outcomes. Methods: The evaluation team conducted repeated interviews and on-line questionnaire surveys with the research teams and analysed the information exchanges among researchers on a SharePoint site established by IDRC. Results: The expectations of the SEARCH program in terms of cross-project learning were only partially realized. The diversity of themes, language barriers and differences in context were cited as main reasons. Non-facilitated active cross-grant networking was only observed between two teams working in English on thematically similar issues. However, networking among all projects was active during two program workshops organized by IDRC. Conclusions: Networking among research teams can increase the quality and the applicability of health systems research and potentially promote knowledge translation. Spontaneous networking across language barriers is, however, difficult. Effective global research networks require dedicated human and financial resources to keep them vibrant and alive. Keywords: e-health, refugees.
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 | 0,064 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».