Rapid Knowledge Mobilization and Continuing Professional Development: Educational Responses to COVID-19
Notice bibliographique
Résumé
INTRODUCTION: The field of Continuing Professional Development (CPD) has a role to play in supporting health care professionals as they respond to the COVID-19 pandemic. However, the evolving science of COVID-19, the need for quick action, and the disruption of conventional knowledge networks pose challenges to existing CPD practices. To meet these emergent and rapidly evolving needs, what is required is an approach to CPD that draws insights from the domain of knowledge mobilization (KMb). METHODS: This short report describes a research protocol for exploring rapid KMb responses to COVID-19 at one Canadian academic teaching hospital. The proposed research will proceed as a case study using a mixed methods design collecting quantitative (surveys and Web site use metrics) and qualitative data (interviews) from individuals involved in developing, using, and supporting the KMb resources. Analysis will proceed in two phases: descriptive analysis of data to share insights and integrative analysis of data to build theory. RESULTS: Results from this study will inform the immediate KMb and CPD contribution to the COVID-19 response. DISCUSSION: Findings from this study will also make a broader contribution to the field of CPD, theoretically informing intersections between KMb and CPD and therefore contributing to an integrated science of CPD.
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 | 0,025 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,007 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,002 | 0,018 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».