Exploring the field and practice of knowledge mobilization: identifying common approaches and priority competencies using Q-methodology
Notice bibliographique
Résumé
With the growing interest to understand knowledge mobilization (KMb) and knowledge brokering in practice, this Major Research Paper investigates the viewpoints of knowledge mobilization experts, researchers, intermediaries, and practitioners regarding priority KMb activities, and the competencies and skills required for such tasks. This mixed methods study employed Q-Methodology, with data collected in two major phases. First, expert interviews were conducted with 20 KMb experts from Canada and the UK to develop the study’s concourse and subsequent q-statements. Second, 91 participants completed an online Q-survey, with a Q-sort task with 49 q-statements and an activity-rating task with 31 activities. Respondents also answered a range of open-ended questions pertaining to their KMb work, training, and perspectives. A crucial component of this research is the use of the Great Eight Competencies Framework, also known as the Universal Competencies Framework (UCF). Analysis identified four distinct approaches to KMb and puts forward a preliminary hierarchy of KMb competencies, according to the survey responses. The proposed hierarchy advances current understandings of KMb in demonstrating commonalities in competencies across various professions and fields. KMb practitioners and researchers are encouraged to respond and refine this initial list of priority competencies according to their workplace and/or research contexts.
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 | 0,090 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».