Profiling knowledge brokers in the rehabilitation sector across Canada: A descriptive study
Notice bibliographique
Résumé
RATIONALE: Knowledge brokers (KBs) can help promote the uptake of the latest research evidence into clinical practice. Little is known about who they are, the types of roles they perform, and the training they receive. Establishing a portrait of Canadian KBs working in the rehabilitation sector may inform health care organizations and knowledge translation specialists on how best to advance KBs practices. The overall goal was to describe the profile of KBs working to promote the uptake of evidence within rehabilitation settings in Canada. Specifically, this study aimed to describe the sociodemographic and professional characteristics, work activities, and training of KBs. METHODS: A cross-sectional online survey was administered to KBs working in rehabilitation settings across Canada. The survey included 20 questions covering sociodemographic and professional characteristics, work activities, and training opportunities. Response frequency and percentage were calculated for all categorical variables, and the weighted average (WA) for each role was calculated across participants. Descriptive analysis was conducted for all open-ended questions. RESULTS: Of 475 participants accessing the website, 198 completed the survey questionnaire, including 99 clinicians, 35 researchers, and 26 managers. While over two-thirds of respondents had completed a graduate degree, only 38% reported receiving KBs-related training. The respondents' primary roles corresponded to a linking agent (WA = 1.84), followed by capacity builder (WA = 1.76), information manager (WA = 1.71), facilitator (WA = 1.41), and evaluator (WA = 1.32). CONCLUSIONS: KBs are mostly expert clinicians who tend to perform brokering activities part-time targeting their peers. Participants mostly perform the linking agent, capacity builder, and information roles. Moreover, only a few participants received formal training to perform brokering activities.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,014 |
| Études des sciences et des technologies | 0,010 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».