Closing the loop: From system-based data to evidence-influenced policy and practice
Notice bibliographique
Résumé
For more than 30 years, the Manitoba Centre for Health Policy has been conducting research and evaluation to provide timely and critical evidence to answer real-world policy questions. Our experienced team of research scientists, analysts and other staff work extensively with policy-makers at the macro, meso and micro levels of government to support evidence-informed policy and program development in an effort to ensure that policy initiatives provide the greatest benefit possible to individuals and society as a whole. Using the widely recognized whole-population Manitoba Population Research Data Repository, which comprises approximately 100 different datasets from multiple sectors, we employ sophisticated and state-of-the-art research methods and data science technologies, and then translate the results into meaningful insights or recommendations for policy-makers. Our long and productive history of working with policy-makers has taught us much about making our research relevant to policy-makers. In this article, we outline some examples of how research evidence has been used to influence policy in Manitoba, and the key lessons we have learned about what makes relationships between researchers and policy-makers work. In essence, policy-makers have supported the growth of the Repository over the last 30 years, because researchers have "closed the loop" by sharing valuable and policy-relevant research results with them. This ability to inform policies, programs and service delivery with scientific evidence continues to benefit individuals, communities and our society as a whole.
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 | 0,415 | 0,569 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,022 | 0,028 |
| Études des sciences et des technologies | 0,012 | 0,051 |
| Communication savante | 0,059 | 0,062 |
| Science ouverte | 0,014 | 0,041 |
| Intégrité de la recherche | 0,016 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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 ».