Using Concept Maps to compare obesity knowledge between policy makers and primary care researchers in Canada
Notice bibliographique
Résumé
OBJECTIVE: Knowledge transfer is the process of information sharing between researchers, knowledge users and policy makers. Globally, public policies about obesity do not reflect the complexity of what is known about the cause and effects of obesity. We used Concept Maps, a qualitative method that represents mental models, to compare the understanding of obesity between policy makers in a Canadian province and local primary care researchers. Eight participants were interviewed during which a Concept Map was developed using "C-map Tools" software. Maps were then colour-coded to identify themes and concepts in the maps. Finally, the team synthesised the findings from each of the maps and presented them back to each of the participants. RESULTS: All participants had mental models with rich details on the complexity of obesity for individuals, community, and at the policy level. Clinician-researchers had more focus on medical management than policy makers although most participants lacked concepts on the role of primary care in obesity management. A shared understanding of obesity could assist researchers and policy makers in developing a relevant and effective strategy. Concept Mapping provides a novel and creative way to visually compare different understandings of health-related topics.
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 | 0,052 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,015 | 0,019 |
| Études des sciences et des technologies | 0,024 | 0,012 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,003 | 0,012 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».