MétaCan
Menu
Retour à la cohorte
Enregistrement W3091857646 · doi:10.1177/1476750320960810

Knowledge mobilization: Stepping into interdependent and relational space using co-creation

2020· article· en· W3091857646 sur OpenAlexaff
Yvonne Skipper, Debra Pepler

Notice bibliographique

RevueAction Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésInterdependenceProcess (computing)Action (physics)Action researchKnowledge managementPsychological interventionDisseminationSpace (punctuation)Co-creationSociologyPublic relationsPsychologyComputer sciencePolitical sciencePedagogy

Résumé

récupéré en direct d'OpenAlex

In recent years, there has been a growing interest in using co-creation approaches, with academics and partners working together to create research and interventions to achieve impact. Action research typically starts with the question ‘how can we improve this situation?’ and then co-creates knowledge with and not on or for people. This approach contrasts with conventional approaches in which academics create knowledge and then disseminate it to users via conferences, reports etc. The co-creative approach involves a shift in academics’ thinking and approaches. The success of co-creation depends on the academic shifting from being self-focussed and independent to being other-focussed and interdependent. In this paper, we outline the theoretical background that has informed our thinking and practices related to knowledge mobilization, and our novel relational approach. We illustrate our approach using two co-created projects, focused on enhancing early literacy and supporting mothers with substance use problems. We hope that this will help others consider when it may be appropriate to use a co-creative approach and how to engage in this co-creation process, including awareness of common barriers and benefits.

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)0,049
score de la tête « metaresearch » (Gemma)0,043
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: aucune
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,259

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0490,043
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0070,004
Études des sciences et des technologies0,0110,045
Communication savante0,0200,021
Science ouverte0,0050,032
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,915
Tête enseignante GPT0,797
Écart entre enseignants0,118 · 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

Citations30
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAction ResearchMême sujetHealth Policy Implementation ScienceTravaux en français237 207