Engaging Knowledge Users with Mental Health Experience in a Mixed-Methods Systematic Review of Post-secondary Students with Psychosis: Reflections and Lessons Learned from a Master’s Thesis
Notice bibliographique
Résumé
Engaging knowledge users (KUs) as research team members throughout the research process helps generate relevant knowledge and may improve uptake of research results. The purpose of this article is to describe how an integrated knowledge translation (iKT) approach was embedded within a master's thesis project comprising a mixed-methods systematic review. KUs were engaged in four distinct phases of the systematic review process, including (1) proposal development; (2) development of the research question and approach; (3) creation of an advisory panel; and (4) an end of study meeting to interpret findings and plan dissemination of findings. The extent of each KU's engagement on the research team fluctuated during the study. Challenges included maintaining the same KUs throughout the project and maintaining the scope of the project to align with a master's thesis. Our suggestions for optimizing graduate student iKT projects include having regular team meetings and periodically checking in with team members to encourage reflection on overall engagement and progress of the project. Overall, KUs helped create a research project designed to address their needs and provided input on how results might translate into implications for clinical practice, education, academic policy, and future research within their respective contexts.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,479 | 0,473 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,015 | 0,019 |
| Science ouverte | 0,006 | 0,023 |
| Intégrité de la recherche | 0,008 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».