From Science to Policy and Practice: A Critical Assessment of Knowledge Management before, during, and after Environmental Public Health Disasters
Notice bibliographique
Résumé
Canada regularly faces environmental public health (EPH) disasters. Given the importance of evidence-based, risk-informed decision-making, we aimed to critically assess the integration of EPH expertise and research into each phase of disaster management. In-depth interviews were conducted with 23 leaders in disaster management from Canada, the United States, the United Kingdom, and Australia, and were complemented by other qualitative methods. Three topics were examined: governance, knowledge creation/translation, and related barriers/needs. Data were analyzed through a four-step content analysis. Six critical success factors emerged from the analysis: blending the best of traditional and modern approaches; fostering community engagement; cultivating relationships; investing in preparedness and recovery; putting knowledge into practice; and ensuring sufficient human and financial resources. Several promising knowledge-to-action strategies were also identified, including mentorship programs, communities of practice, advisory groups, systematized learning, and comprehensive repositories of tools and resources. There is no single roadmap to incorporate EPH expertise and research into disaster management. Our findings suggest that preparation for and management of EPH disaster risks requires effective long-term collaboration between science, policy, and EPH practitioners at all levels in order to facilitate coordinated and timely deployment of multi-sectoral/jurisdictional resources when and where they are most needed.
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 | 0,263 | 0,379 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,032 | 0,015 |
| Études des sciences et des technologies | 0,039 | 0,056 |
| Communication savante | 0,059 | 0,030 |
| Science ouverte | 0,007 | 0,031 |
| Intégrité de la recherche | 0,008 | 0,012 |
| 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; 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 ».