MétaCan
Menu
Retour à la cohorte
Enregistrement W3042837693 · doi:10.1002/lrh2.10213

How to measure the collective intelligence of primary healthcare teams?

2019· article· en· W3042837693 sur OpenAlexafffundabout
Emmanuelle Jean, Mélanie Perroux, Jacinthe Pépin, Arnaud Duhoux

Notice bibliographique

RevueLearning Health Systems · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueInterprofessional Education and Collaboration
Établissements canadiensUniversité de MontréalUniversité du Québec à Rimouski
Organismes subventionnairesInstitute of Health Services and Policy ResearchRéseau de recherche portant sur les interventions en sciences infirmières du Québec
Mots-clésHealth careKnowledge managementCollective intelligenceTeamworkProcess (computing)Field (mathematics)Computer sciencePsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: The capacity for teams and organizations to evolve and to thrive in ever-shifting environments is attributed to their collective intelligence. Collectively, intelligent team could prevent repetition of past mistakes and can help organizations and people work more efficiently. Researchers aimed to find a framework or a tool that could help explain collective intelligence in primary healthcare organizations. METHODS: The framework was developed iteratively following a three-step process based on the Pragmatic utility concept analysis, each step fetching data from both literature and the team's expertise: (i) finding an existing framework, (ii) developing an initial framework, (iii) testing and refining the framework. RESULTS: A broad literature search led researchers to focus more specifically on two interrelated frameworks, both concepts were created within the educational field. We first adapted these concepts to healthcare teams, then to the increasing interdisciplinarity of primary healthcare teams. We also subdivided the framework into clinical or organizational domain. Finally, we performed a secondary analysis from existing data of a larger project that aimed to evaluate seven primary care teams in Quebec. CONCLUSIONS: This first attempt to conceptualize collective intelligence in a way that is specific to primary healthcare teams helps identify strengths and areas in which teams could potentially improve. From a theoretical perspective, the framework facilitates understanding of the concept of collective intelligence in primary healthcare teams. Our current results show a strong potential for this tool, but other tests and systematic validations are to be expected in order to better link collective intelligence and team performance.

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)0,023
score de la tête « metaresearch » (Gemma)0,063
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,124

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,063
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0070,007
Études des sciences et des technologies0,0020,004
Communication savante0,0040,004
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,414
Écart entre enseignants0,358 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
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

Citations37
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueLearning Health SystemsMême sujetInterprofessional Education and CollaborationTravaux en français237 207