Methodological gaps and opportunities for studying multisectoral collaboration for health in low- and middle-income countries
Notice bibliographique
Résumé
The current body of research into multisectoral collaborations (MSCs) for health raises more questions than it answers, both in terms of how to implement MSCs and how to study them. This article reflects on current methodological gaps and opportunities for advancing MSC research, based on a targeted review of existing literature and qualitative input from researchers and practitioners at the 2018 Health Systems Research (HSR) Symposium in Liverpool. Through framework analysis of 205 MSC research papers referenced in a separately published MSC 'overview of reviews' paper, this article identifies six broad MSC question domains ('meta questions') and applies content analysis to estimate the relative frequency with which these meta questions and the research method(s) used to answer them are present in the literature. Results highlight a preponderance of research exploring MSC implementation using case study methods, which, in aggregate, does not seem to adequately meet policymakers' and practitioners' needs for generalizable or transferable insights. The content analysis is complemented by qualitative insights from HSR Symposium participants and the authors' own experience to identify six key methodological gaps in research on MSC for health. For each of these gaps, we propose areas in which we believe there are opportunities for methodological development and innovation to help advance this field of study, including: better understanding the role of power dynamics in shaping MSCs; development of a classification framework (or frameworks) of governance arrangements; exploring divergence of perspective and experience among MSC partners; identifying or generating theoretical frameworks for MSC that work across sectors and disciplines; developing intermediate indicators of collaboration; and increasing transferability of insights to other contexts. Collaboration with researchers outside of the health sector will enhance efforts in each of these areas, as will the establishment and strengthening of pluralistic MSC evidence networks also involving policymakers and practitioners.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».