Accelerating learning healthcare system development through embedded research: Career trajectories, training needs, and strategies for managing and supporting embedded researchers
Notice bibliographique
Résumé
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.
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 | 0,091 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,006 |
| Communication savante | 0,015 | 0,015 |
| Science ouverte | 0,004 | 0,022 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».