Implementation of a Knowledge Management System in Mental Health and Addictions: Mixed Methods Case Study
Notice bibliographique
Résumé
BACKGROUND: Mental health and addictions (MHA) care is complex and individualized and requires coordination across providers and areas of care. Knowledge management is an essential facilitator and common challenge in MHA services. OBJECTIVE: This paper aimed to describe the development of a knowledge management system (KMS) and the associated processes in 1 MHA program. We also aimed to examine the uptake and use, satisfaction, and feedback on implementation among a group of pilot testers. METHODS: This project was conducted as a continuous quality-improvement initiative. Integrated stakeholder engagement was used to scope the content and design the information architecture to be implemented using a commercially available knowledge management platform. A group of 30 clinical and administrative staff were trained and tested with the KMS over a period of 10 weeks. Feedback was collected via surveys and focus groups. System analytics were used to characterize engagement. The content, design, and full-scale implementation planning of the KMS were refined based on the results. RESULTS: Satisfaction with accessing the content increased from baseline to after the pilot. Most testers indicated that they would recommend the KMS to a colleague, and satisfaction with KMS functionalities was high. A median of 7 testers was active each week, and testers were active for a median of 4 days over the course of the pilot. Focus group themes included the following: the KMS was a solution to problems for staff members, functionality of the KMS was important, quality content matters, training was helpful and could be improved, and KMS access was required to be easy and barrier free. CONCLUSIONS: Knowledge management is an ongoing need in MHA services, and KMSs hold promise in addressing this need. Testers in 1 MHA program found a KMS that is easy to use and would recommend it to colleagues. Opportunities to improve implementation and increase uptake were identified. Future research is needed to understand the impact of KMSs on quality of care and organizational efficiency.
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 | 0,024 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 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 ».