MétaCan
Menu
Retour à la cohorte
Enregistrement W3178522720 · doi:10.3389/fpubh.2021.680316

The Importance of Mental Models in Implementation Science

2021· review· en· W3178522720 sur OpenAlexaff
Jodi Summers Holtrop, Laura D. Scherer, Daniel D. Matlock, Russell E. Glasgow, Lee A. Green

Notice bibliographique

RevueFrontiers in Public Health · 2021
Typereview
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Cancer InstituteAgency for Healthcare Research and QualityU.S. Department of Health and Human Services
Mots-clésPsychological interventionSet (abstract data type)Computer scienceIntrospectionAdaptation (eye)Function (biology)Mental healthIntervention (counseling)Field (mathematics)Management scienceKnowledge managementPsychologyCognitive psychologyPsychotherapist

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,127
score de la tête « metaresearch » (Gemma)0,193
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,127
Score d'incertitude au seuil0,674

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1270,193
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0070,005
Études des sciences et des technologies0,0050,063
Communication savante0,0180,026
Science ouverte0,0050,010
Intégrité de la recherche0,0090,017
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,675
Tête enseignante GPT0,697
Écart entre enseignants0,022 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations118
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Public HealthMême sujetHealth Policy Implementation ScienceTravaux en français237 207