MétaCan
Menu
Retour à la cohorte
Enregistrement W3177058445 · doi:10.1016/j.hjdsi.2020.100479

Accelerating learning healthcare system development through embedded research: Career trajectories, training needs, and strategies for managing and supporting embedded researchers

2021· article· en· W3177058445 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueHealthcare · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensnon disponible
Organismes subventionnairesMailman School of Public Health, Columbia UniversityAgency for Healthcare Research and QualityMcGill UniversityNorthwestern UniversityAcademyHealthHealth Services Research and DevelopmentUniversity of California, Santa BarbaraU.S. Department of Veterans Affairs
Mots-clésWorkforceWorkforce developmentBrainstormingKnowledge managementStakeholderHealth careCurriculumMedical educationPsychologyPublic relationsBusinessComputer scienceMedicinePolitical sciencePedagogyMarketing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health systems and organizations seeking to achieve learning healthcare system principles are increasingly relying on embedded research teams to optimize delivery of evidence-based, high-quality care that improves patient and staff experience alike. However, building organizational capacity to conduct and benefit from embedded research may be challenging in the absence of clearer guidance on career pathways and training, as well as strategies for managing and supporting this unique workforce. METHODS: In February 2018, 115 attendees from multiple agencies, institutions and professional societies participated in a conference to accelerate development of learning healthcare systems through embedded research. Workgroups engaged in structured brainstorming discussions of key domains; 21 diverse members focused on strengthening the embedded research community through more explicit development and support of multilevel career trajectories. RESULTS: Emphasis emerged on the need for training that goes beyond traditional curricula in rigorous scientific methods to include leadership, communication, and other organizational and business skills rarely offered in research training programs. These skills are required for effective engagement of multilevel stakeholders supporting evidence-based changes in routine care. Improving readiness of other stakeholders to effectively act on evidence was noted as equally crucial, as was creation of mid-career development opportunities for researchers and implementers. CONCLUSIONS: Further development and support of the embedded research workforce will require explicit attention to novel training programs and support of researchers and the stakeholders in the systems they aim to improve. IMPLICATIONS: Strategies for improving career entry and mastery of skills that foster effective multilevel stakeholder engagement hold promise for strengthening the embedded research community and their contributions to systematic improvements in health and health care.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
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 enseignants0,084
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0080,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,888
Tête enseignante GPT0,680
Écart entre enseignants0,208 · 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