Using knowledge management tools in the Saudi National Mental Health Survey helpdesk: pre and post study
Notice bibliographique
Résumé
BACKGROUND: With the growth of information technology, there is a need for the evaluation of cost-effective means of monitoring and support of field workers involved in large epidemiological surveys. AIM: The aim of this research was to measure the performance of a survey help desk that used knowledge management tools to improve its productivity and efficiency. Knowledge management tools are based on information technologies that improve the creation, sharing, and use of different types of knowledge that are critical for effective decision-making. METHODS: The Saudi National Mental Health Survey's help desk developed and used specific knowledge management tools including a computer file system, feedback from experts and a call ticketing system. Results are based on the analyses of call records recorded by help desk agents in the call ticketing system using descriptive analysis, Wilcoxon rank-sum test (p < 0.01) and Goodman and Kruscal test (gamma). The call records were divided into two phases and included details such as types of calls, priority level and resolution time. RESULTS: The average time to resolve a reported problem decreased overall, decreased at each priority level and led to increased first contact resolution. CONCLUSION: This study is the first of its kind to show how the use of knowledge management tools lead to a more efficient and productive help desk within a health survey environment in Saudi Arabia. Further research on help desk performance, particularly within health survey environments and the Middle Eastern region is needed to support this conclusion.
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 | 0,070 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».