Supporting Discovery and Inquiry: A Canadian Hospital's Approach to Building Research and Innovation Capacity in Point-of-Care Health Professionals
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Building capacity for research and innovation among point-of-care health professionals can translate into positive outcomes from the organization, staff, and patient perspective. However, there is not a widely accepted framework in place across academic hospitals to guide this work and measure impact. This article outlines one Canadian hospital's approach and provides a blueprint with appropriate indicators as a starting point and guide for organizations looking to develop and implement a practice-based research and innovation strategy. METHODS: An adapted framework was utilized to measure and track progress toward achievement of research and innovation strategic goals. The framework outlines key domains for research and capacity development and appropriate metrics. Data are reported from a 4-year period (2014-2018). RESULTS: The evaluation of the practice-based research and innovation portfolio identified several important factors that contribute to the success of embedding this strategy across a large academic teaching institution. These include using a collaborative leadership model, leveraging linkages, partnerships, and collaborations, and recognizing the academic contributions of health professionals engaging in research and innovation. CONCLUSIONS: Engaging those who provide care directly to patients and families in research and innovation is critical to ensuring high-quality health outcomes and patient experience. Creative and innovative funding models, collaborative leadership, and partnerships with key stakeholders to support research and innovation are needed to ensure sustainability.
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 | 0,020 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».