MétaCan
Menu
Retour à la cohorte
Enregistrement W3004865233 · doi:10.1186/s12966-020-0909-z

What hinders and helps academics to conduct Dissemination and Implementation (D&I) research in the field of nutrition and physical activity? An international perspective

2020· article· en· W3004865233 sur OpenAlexaff
Harriet Koorts, Patti-Jean Naylor, Rachel Laws, Penelope Love, Jaimie‐Lee Maple, Femke van Nassau

Notice bibliographique

RevueInternational Journal of Behavioral Nutrition and Physical Activity · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésFocus groupKnowledge translationPopulationClinical nutritionDescriptive statisticsMedical educationPsychologyMedicinePublic relationsSociologyPolitical scienceKnowledge management

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Ineffective research-practice translation is a major challenge to population health improvement. This paper presents an international perspective on the barriers and facilitators associated with the uptake of and engagement in Dissemination and Implementation (D&I) research in the fields of physical activity and nutrition. METHODS: A mixed methods study involving participants from the International Society for Behavioral Nutrition and Physical Activity (ISBNPA) network. Participants completed an online survey (May-July 2018) and/or participated in a focus group during the annual ISBNPA conference (June 2018). Descriptive statistics were generated for quantitative online and pre-focus group survey data. Fisher's exact tests investigated associations of (i) length of time in academia, (ii) career stage and (iii) country of work, and agreement with 'perceptions of D&I'. Qualitative data were analysed thematically. RESULTS: In total, 141 participants responded to the survey (76% female, 21% aged 35-39 years, 14 countries represented) and 25 participated in focus groups (n = 3). Participants self-identified as having knowledge (48%), skills (53%) and experience supporting others (40%) to conduct D&I research. The majority (96%) perceived D&I was important, with 66% having organizational support for D&I, yet only 52% reported prioritizing D&I research. Perceptions of D&I differed by length of time in academia, career stage and country of work. Barriers included: (i) lack of D&I expertise; (ii) lack of organisational support/value for D&I; (iii) embedded scientific beliefs/culture; (iv) methodological challenges with D&I research; (v) funding/publishing priorities and; (vi) academic performance structures. Facilitators included: (i) increased presence/value of D&I; (ii) collective advocacy; (iii) organisational support for D&I; (iv) recruitment of D&I scientists and; (v) restructure of academic performance models, funding/publishing criteria. CONCLUSIONS: Individual, organisational and system-wide factors hindered academics' engagement with and support for D&I research, which was perceived to reduce opportunities for research-practice translation. Factors were mostly consistent across countries and individual career stages/time spent in academia. Embedding D&I early within academic training, and system-wide reorientation of academic performance and funding structures to promote and facilitate D&I research, are some of the necessary actions to reduce the research-practice gap. Consistent with public health more broadly, these changes are long overdue in the fields of physical activity and nutrition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,211
score de la tête « metaresearch » (Gemma)0,255
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,789
Score d'incertitude au seuil0,973

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2110,255
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,006
Études des sciences et des technologies0,0060,020
Communication savante0,0330,018
Science ouverte0,0030,015
Intégrité de la recherche0,0070,008
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,640
Tête enseignante GPT0,724
Écart entre enseignants0,084 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Behavioral Nutrition and Physical ActivityMême sujetHealth Policy Implementation ScienceTravaux en français237 207