How the study of networks informs knowledge translation and implementation: a scoping review
Notice bibliographique
Résumé
BACKGROUND: To date, implementation science has focused largely on identifying the individual and organizational barriers, processes, and outcomes of knowledge translation (KT) (including implementation efforts). Social network analysis (SNA) has the potential to augment our understanding of KT success by applying a network lens that examines the influence of relationships and social structures on research use and intervention acceptability by health professionals. The purpose of this review was to comprehensively map the ways in which SNA methodologies have been applied to the study of KT with respect to health professional networks. METHODS: Systematic scoping review methodology involved searching five academic databases for primary research on KT that employed quantitative SNA methods, and inclusion screening using predetermined criteria. Data extraction included information on study aim, population, variables, network properties, theory use, and data collection methods. Descriptive statistics and chronology charting preceded theoretical analysis of findings. RESULTS: Twenty-seven retained articles describing 19 cross-sectional and 2 longitudinal studies reported on 28 structural properties, with degree centrality, tie characteristics (e.g., homophily, reciprocity), and whole network density being most frequent. Eleven studies examined physician-only networks, 9 focused on interprofessional networks, and 1 reported on a nurse practitioner network. Diffusion of innovation, social contagion, and social influence theories were most commonly applied. CONCLUSIONS: Emerging interest in SNA for KT- and implementation-related research is evident. The included articles focused on individual level evidence-based decision-making: we recommend also applying SNA to meso- or macro-level KT activities. SNA research that expands the range of professions under study, examines network dynamics over time, extends the depth of analysis of the role of network structure on KT processes and outcomes, and employs mixed methods to triangulate findings, is needed to advance the field. SNA is a valuable approach for evaluating key network characteristics, structures and positions of relevance to KT, implementation, and evidence informed practice. Examining how network structure influences connections and the implications of those holding prominent network positions can provide insights to improve network-based KT processes.
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 | 0,125 | 0,350 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,036 | 0,033 |
| Études des sciences et des technologies | 0,003 | 0,006 |
| Communication savante | 0,016 | 0,022 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».