Absorptive capacity in the adoption of innovations in health care: a scoping review protocol
Notice bibliographique
Résumé
OBJECTIVE: To explore how absorptive capacity has been conceptualized and measured in studies of innovation adoption in health care organizations. INTRODUCTION: Current literature highlights the need to incorporate knowledge translation processes at the organizational and system level to enhance the adoption of new knowledge into practice. Absorptive capacity is a set of routines and processes characterized by knowledge acquisition, assimilation, transformation, and application. Absorptive capacity, a key concept in organizational learning theory, is thought to be critical to the adoption of new knowledge and innovations in organizations. INCLUSION CRITERIA: This scoping review will include primary studies (ie, experimental, quasi-experimental, observational, and qualitative study designs) and gray literature that broadly focus on the adoption of innovations at the organizational level in health care, and frame innovation adoption as processes that rely on organizational learning and absorptive or learning capacity. METHODS: Data sources will include comprehensive searches of electronic databases (eg, MEDLINE, Embase, PsycINFO, CINAHL, and Scopus), gray literature, and reference scanning of relevant studies. Study abstracts and full texts will be screened for eligibility by two reviewers, independently. Data extraction of relevant studies will also be done independently by two reviewers. All discrepancies will be addressed through further discussion or adjudicated by a third reviewer. Synthesis of the extracted data will focus on descriptive frequencies, counts, and thematic analysis and the results will be reported using the Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for scoping reviews (PRISMA-ScR).
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 | 0,015 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».