“Make Resilience Matter” for Children Exposed to Intimate Partner Violence Project: Mobilizing Knowledge to Action Using a Research Contributions Framework
Notice bibliographique
Résumé
Objective: This article describes using a Research Contribution Framework (RCF) (Morton, 2015a), to plan and document the progress of knowledge mobilization (KMb) efforts for the Make Resilience Matter (MRM) for Children Exposed to Intimate Partner Violence (IPV) study. Research uptake, use and impact activities were planned for this project designed to identify how to foster resilience-informed practice with children exposed to IPV. This KMb strategy is useful for planning and considering how we engage knowledge users, context, environmental impact, unexpected developments, and the complexities of doing research and mobilizing results in the “real world” of practice. The benefits of mapping RCF onto KMb planning and lessons learned may be transferred to other projects. Method: First we outline RCF; second, we describe the MRM project; third we apply RCF to the MRM project detailing a process for engaging knowledge users and planning and tracking research uptake, use and impact. The trans-theoretical theory of change (Prochaska & DiClemente, 1982) is used to understand readiness to change in relation to research uptake and use. An overarching feminist theoretical understanding of gender based violence (Hawkesworth, 2006; Heise, 1998) helps to inform our awareness of the socio-political context. Results: Research uptake, use, and impact as applied to the MRM project are presented. An outcomes chain (Morton, 2015a) is offered to help trace engagement/involvement, activities/outputs, awareness/reactions, knowledge/attitudes, and anticipated practice behaviour change. Four guiding principles emerged from our experience which may helpto inform future KMb efforts.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».