Évaluation des processus d’implantation d’un programme de transfert de connaissances par agents multiplicateurs pour la prévention des mauvais traitements
Notice bibliographique
Résumé
L’étude des pratiques de prévention en santé publique laisse voir que les innovations démontrées efficaces par la recherche ne sont pas toujours les plus utilisées (Ringwalt et al., 2002, Wandersman et Florin 2003). Ainsi, c’est dans la volonté de mettre de l’avant non seulement une innovation fondée sur des données probantes, mais aussi une innovation réellement utile à la communauté que le Centre de liaison sur l’intervention et la prévention psychosociales (CLIPP) a mis sur pied en 2006 le programme de formation par agents multiplicateurs Agir en milieu de garde. Toutefois, puisque la fidélité et le dosage de l’implantation des activités de transfert par agents multiplicateurs sont parmi les principaux enjeux liés à la mise en oeuvre de tels programmes (Hahn, Noland, Rayens et Christie, 2002), le CLIPP a voulu évaluer ces deux composantes de l’implantation de ce programme. Les résultats de cette évaluation, présenté dans cette article, documentent le niveau d’implantation en lien avec ces deux dimensions et permettent de constater que le dosage de l’implantation du programme Agir en milieu de garde est comparable aux taux habituellement recensés dans les écrits alors que la fidélité de son implantation est un peu plus faible que les taux généralement recensés. Cette étude présente aussi les principaux facteurs d’influence sur le dosage et la fidélité d’implantation regroupés en trois grandes catégories de facteurs : les caractéristiques individuelles des agents multiplicateurs, les caractéristiques organisationnelles de leur milieu et les caractéristiques de l’innovation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».