MétaCan
Menu
Retour à la cohorte
Enregistrement W4295932120 · doi:10.1186/s12961-022-00900-8

Building capacity for integrated knowledge translation: a description of what we can learn from trainees’ experiences during the COVID-19 pandemic

2022· article· en· W4295932120 sur OpenAlexaff
Priscilla Medeiros, Celia Laur, Tram Nguyen, Meghan Gilfoyle, Aislinn Conway, Emily E. Giroux, Femke Hoekstra, Jean Michelle Legasto-Mulvale, Emily Ramage, Brenda J. Tittlemier, Brianne Wood, Sandy Steinwender, Cheryl Moser, Nicole E. MacKenzie, Ilja Ormel, Charly Degen

Notice bibliographique

RevueHealth Research Policy and Systems · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensLondon Health Sciences CentreToronto Rehabilitation InstituteUniversity of British Columbia, Okanagan CampusNOSM UniversityUniversity of British ColumbiaUniversity of OttawaWomen's College HospitalChildren's Hospital of Eastern OntarioUniversity of ManitobaUniversity Health NetworkOttawa HospitalWestern UniversityUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésKnowledge translationGeneral partnershipReflexivityHealth services researchPandemicPublic relationsSocial distanceSociologyHealth administrationCapacity buildingPsychologyMedical educationCoronavirus disease 2019 (COVID-19)Political sciencePedagogyKnowledge managementPublic healthMedicineNursingSocial scienceComputer science

Résumé

récupéré en direct d'OpenAlex

The use of collaborative health research approaches, such as integrated knowledge translation (IKT), was challenged during the COVID-19 pandemic due to physical distancing measures and transition to virtual platforms. As IKT trainees (i.e. graduate students, postdoctoral scholars) within the Integrated Knowledge Translation Research Network (IKTRN), we experienced several changes and adaptations to our daily routine, work and research environments due to the rapid transition to virtual platforms. While there was an increased capacity to communicate at local, national and international levels, gaps in equitable access to training and partnership opportunities at universities and organizations have emerged. This essay explores the experiences and reflections of 16 IKTRN trainees during the first 2 years of the COVID-19 pandemic at the micro (individual), meso (organizational) and macro (system) levels. The micro level, or individual experiences, focuses on topics of self-care (taking care of oneself for physical and mental well-being), maintaining research activities and productivity, and leisure (social engagement and taking time for oneself), while conducting IKT research during the pandemic. At the meso level, the role of programmes and organizations explores whether and how institutions were able to adapt and continue research and/or partnerships during the pandemic. At the macro level, we discuss implications for policies to support IKT trainees and research, during and beyond emergency situations. Themes were identified that intersected across all levels, which included (i) equitable access to training and partnerships; (ii) capacity for reflexivity; (iii) embracing changing opportunities; and (iv) strengthening collaborative relationships. These intersecting themes represent ways of encouraging sustainable and equitable improvements towards establishing and maintaining collaborative health research approaches. This essay is a summary of our collective experiences and aims to provide suggestions on how organizations and universities can support future trainees conducting collaborative research. Thus, we hope to inform more equitable and sustainable collaborative health research approaches and training in the post-pandemic era.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,434
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0230,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0070,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,927
Tête enseignante GPT0,709
Écart entre enseignants0,218 · 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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations23
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Research Policy and SystemsMême sujetHealth Policy Implementation ScienceTravaux en français237 207