MétaCan
Menu
Retour à la cohorte
Enregistrement W3133951194 · doi:10.1332/174426421x16123709152129

Insights from system leaders about operationalising a knowledge translation department in the Oman Ministry of Health

2021· article· en· W3133951194 sur OpenAlexaff
Sultana Al Sabahi, Michael G. Wilson, John N. Lavis, Fadi El‐Jardali, Kaelan A. Moat

Notice bibliographique

RevueEvidence & Policy · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensMcMaster University
Organismes subventionnairesInternational Medical University
Mots-clésKnowledge translationScope (computer science)Christian ministryCapacity buildingProcess (computing)Public relationsMedical educationPolitical scienceMedicineNursingKnowledge managementComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Oman has prioritised enhanced efforts for supporting evidence-informed policymaking (EIPM), including establishing a knowledge translation department in the Omani Ministry of Health (MOH). Aim and objective: Our aim was to gather insights to guide the process of activating this department. Methods: We conducted a document review and in-depth, semi-structured interviews with policymakers, researchers, and stakeholders who are familiar with the Omani system. Findings: We conducted 17 interviews, which highlighted that policymakers in Oman use multiple sources of data and evidence to inform policymaking about health systems. However, several challenges to using evidence were identified, including low quality and limited availability of local evidence, system fragmentation, low interest in research, and lack of skills, capacity and time for finding, synthesising and using research evidence. Five possible activities for the department were refined with participants: building capacity, finding evidence, sparking action, embedding supports, and evaluating innovations. Participants viewed each of these activities as equally important and they should be pursued simultaneously. However, when asked to rank the most important option, participants identified capacity building as the most important to enable cultural changes needed within the MOH. Discussion and conclusions: This study provides insights for activating the knowledge translation department in the Omani MOH. Fully operationalising the department will require convening a codesign process to reach consensus on the scope of the activities undertaken by the department. Implementation will also require capitalising on the relevant experience of highly qualified staff and existing infrastructure as well as continuing to foster a supportive climate for EIPM.

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)0,094
score de la tête « metaresearch » (Gemma)0,087
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: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,094
Score d'incertitude au seuil0,495

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0940,087
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0190,010
Communication savante0,0130,011
Science ouverte0,0030,014
Intégrité de la recherche0,0060,010
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,752
Tête enseignante GPT0,673
Écart entre enseignants0,079 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEvidence & PolicyMême sujetHealth Policy Implementation ScienceTravaux en français237 207