How to measure the collective intelligence of primary healthcare teams?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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.
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 | 0,003 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle