Governing partnerships with technology companies as part of the COVID-19 response in Canada: A qualitative case study
Notice bibliographique
Résumé
Cross-sector partnerships are vital for maintaining resilient health systems; however, few studies have sought to empirically assess the barriers and enablers of effective and responsible partnerships during public health emergencies. Through a qualitative, multiple case study, we analyzed 210 documents and conducted 26 interviews with stakeholders in three real-world partnerships between Canadian health organizations and private technology startups during the COVID-19 pandemic. The three partnerships involved: 1) deploying a virtual care platform to care for COVID-19 patients at one hospital, 2) deploying a secure messaging platform for physicians at another hospital, and 3) using data science to support a public health organization. Our results demonstrate that a public health emergency created time and resource pressures throughout a partnership. Given these constraints, early and sustained alignment on the core problem was critical for success. Moreover, governance processes designed for normal operations, such as procurement, were triaged and streamlined. Social learning, or the process of learning from observing others, offset some time and resource pressures. Social learning took many forms ranging from informal conversations between individuals at peer organisations (e.g., hospital chief information officers) to standing meetings at the local university's city-wide COVID-19 response table. We also found that startups' flexibility and understanding of the local context enabled them to play a highly valuable role in emergency response. However, pandemic fueled "hypergrowth" created risks for startups, such as introducing opportunities for deviation away from their core value proposition. Finally, we found each partnership navigated intense workloads, burnout, and personnel turnover through the pandemic. Strong partnerships required healthy, motivated teams. Visibility into and engagement in partnership governance, belief in partnership impact, and strong emotional intelligence in managers promoted team well-being. Taken together, these findings can help to bridge the theory-to-practice gap and guide effective cross-sector partnerships during public health emergencies.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,038 | 0,012 |
| Communication savante | 0,008 | 0,003 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».