The Importance of Mental Models in Implementation Science
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.
Notice bibliographique
Résumé
Implementation science is concerned with the study of adoption, implementation and maintenance of evidence-based interventions and use of implementation strategies to facilitate translation into practice. Ways to conceptualize and overcome challenges to implementing evidence-based practice may enhance the field of implementation science. The concept of mental models may be one way to view such challenges and to guide selection, use, and adaptation of implementation strategies to deliver evidence-based interventions. A mental model is an interrelated set of beliefs that shape how a person forms expectations for the future and understands the way the world works. Mental models can shape how an individual thinks about or understands how something or someone does, can, or should function in the world. Mental models may be sparse or detailed, may be shared among actors in implementation or not, and may be substantially tacit, that is, of limited accessibility to introspection. Actors' mental models can determine what information they are willing to accept and what changes they are willing to consider. We review the concepts of mental models and illustrate how they pertain to implementation of an example intervention, shared decision making. We then describe and illustrate potential methods for eliciting and analyzing mental models. Understanding the mental models of various actors in implementation can provide crucial information for understanding, anticipating, and overcoming implementation challenges. Successful implementation often requires changing actors' mental models or the way in which interventions or implementation strategies are presented or implemented. Accurate elicitation and understanding can guide strategies for doing so.
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 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 | 0,031 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 découle