Notice bibliographique
Résumé
Knowledge translation (KT) is a science and a practice, and despite no longer being nascent, it has never achieved ‘hot’ status among STEM fields. Despite 20 years of growing international policy and research attention on reducing the evidence-practice and policy gap, KT and implementation science are not getting the attention they deserve. The ‘hot’ emerging fields are rooted in discovery, but discovery must translate into things we can understand, apply and use. Evidence-based innovations will not reach their potential unless they are accessible, and we can demonstrate how they can be implemented in real-world contexts. Academia has a longstanding laudatory focus on publication at the expense of application and impact, and shifting to a more balanced view is an uphill battle. Our academic institutions and funders, our governments and service provider organisations must put implementation at the forefront of their efforts if we are to realise optimal benefits from our innovations.
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 | 0,098 | 0,269 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,057 |
| Communication savante | 0,032 | 0,057 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,023 | 0,041 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,012 |
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 ».