An overview of quantitative instruments and measures for impact in coproduction
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the quantitative measurement tools used in fields of study related to coproduction, as an approach to mobilizing knowledge, in order to inform the measurement of impact. Design/methodology/approach An overview methodology was used to synthesize the findings from prior instrument reviews, focusing on the contexts in which measurement tools have been used, the main constructs and content themes of the tools, and the extent to which the tools display promising psychometric and pragmatic qualities. Findings Eight identified reviews described 441 instruments and measures designed to capture various aspects of knowledge being mobilized among diverse research stakeholders, with 291 (66%) exhibiting relevance for impact measurement. Research limitations/implications Future studies that measure aspects of coproduction need to engage more openly and critically with psychometric and pragmatic considerations when designing, implementing and reporting on measurement tools. Practical implications Twenty-seven tools with strong measurement properties for evidencing impact in coproduction were identified, offering a starting point for scholars and practitioners engaging in partnered approaches to research, such as in professional learning networks. Originality/value Current quantitative approaches to measuring the impacts of coproduction are failing to do so in ways that are meaningful, consistent, rigorous, reproducible and equitable. This paper provides a first step to addressing this issue by exploring promising measurement tools from fields of study with theoretical similarities to coproduction.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».