Specific considerations for research on the effectiveness of multisectoral collaboration: methods and lessons from 12 country case studies
Notice bibliographique
Résumé
BACKGROUND: The success of the Sustainable Development Goals (SDGs) is predicated on multisectoral collaboration (MSC), and the COVID-19 pandemic makes it more urgent to learn how this can be done better. Complex challenges facing countries, such as COVID-19, cut across health, education, environment, financial and other sectors. Addressing these challenges requires the range of responsible sectors and intersecting services - across health, education, social and financial protection, economic development, law enforcement, among others - transform the way they work together towards shared goals. While the necessity of MSC is recognized, research is needed to understand how sectors collaborate, inform how to do so more efficiently, effectively and equitably, and ascertain similarities and differences across contexts. To answer these questions and inform practice, research to strengthen the evidence-base on MSC is critical. METHODS: This paper draws on a 12-country study series on MSC for health and sustainable development, in the context of the health and rights of women, children and adolescents. It is written by core members of the research coordination and country teams. Issues were analyzed during the study period through 'real-time' discussions and structured reporting, as well as through literature reviews and retrospective feedback and analysis at the end of the study. RESULTS: We identify four considerations that are unique to MSC research which will be of interest to other researchers, in the context of COVID-19 and beyond: 1) use theoretical frameworks to frame research questions as relevant to all sectors and to facilitate theoretical generalizability and evolution; 2) specifically incorporate sectoral analysis into MSC research methods; 3) develop a core set of research questions, using mixed methods and contextual adaptations as needed, with agreement on criteria for research rigor; and 4) identify shared indicators of success and failure across sectors to assess MSCs. CONCLUSION: In responding to COVID-19 it is evident that effective MSC is an urgent priority. It enables partners from diverse sectors to effectively convene to do more together than alone. Our findings have practical relevance for achieving this objective and contribute to the growing literature on partnerships and collaboration. We must seize the opportunity here to identify remaining knowledge gaps on how diverse sectors can work together efficiently and effectively in different settings to accelerate progress towards achieving shared goals.
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 | 0,170 | 0,130 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,008 | 0,016 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,011 | 0,017 |
| Science ouverte | 0,009 | 0,010 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».