Overcoming Challenges to Support Clinician-Scientist Roles in Canadian Academic Health Sciences Centres
Notice bibliographique
Résumé
Clinician-scientists (CSs) make significant contributions to the healthcare system, yet their roles are not fully understood, supported or recognized by healthcare leaders or policy makers. CSs are healthcare professionals with advanced research training who continue to pursue clinical work and are considered an essential component of the research infrastructure in academic health sciences centres. The current literature supports the role of CSs but is also clear that there are multiple challenges in attracting and retaining clinicians to the role. To gain a comprehensive understanding of the current status of the CS role, two literature reviews were conducted. The findings reported here include an overview of: the education and training preparation for CS roles; the importance of the CS role; barriers and challenges to developing and implementing the CS role; and strategies for supporting and sustaining CS roles in practice. The paper further describes one Canadian academic health sciences centre's approach to supporting and increasing the number of CSs from nursing and allied health professions to support academic practice. Non-physician CSs may conduct research using multiple research designs across the research continuum from randomized controlled trials to grounded theory or qualitative descriptive approaches. Their research generally focuses on practice-based issues such as best practices for managing pain or frailty or evaluating the effectiveness of new approaches to care. Researchers and healthcare leaders in other organizations may find this work helpful for establishing their own structures to enhance research capacity and practice-based research, especially for non-physician CSs.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».