The Benefits, Challenges, and Strategies toward Establishing a Community-Engaged Knowledge Hub: An Integrative Review
Notice bibliographique
Résumé
Current knowledge creation and mobilization efforts are concentrated in academic institutions. A community-engaged knowledge hub (CEKH) has the potential for transdisciplinary and cross-sectorial collaboration between knowledge producers, mobilizers, and users to develop more relevant and effective research practices as well as to increase community capacity in terms of knowledge production. Objective: To summarize existing original research articles on knowledge hubs or platforms and to identify the benefits, challenges, and ways to address challenges when developing a CEKH. Methods: This study followed a systematic integrative review design. Following a comprehensive search of academic and grey literature databases, we screened 9030 unique articles using predetermined inclusion criteria and identified 20 studies for the final synthesis. We employed thematic analysis to summarize the results. Results: The focus of the majority of these knowledge mobilization hubs was related to health and wellness. Knowledge hubs have a multitude of benefits for the key stakeholders including academics, communities, service providers, and policymakers, including improving dissemination processes, providing more effective community interventions, ensuring informed care, and creating policy assessment tools. Challenges in creating knowledge hubs are generally consistent for all stakeholders, rather than for individual stakeholders, and typically pertain to funding, resources, and conflicting perspectives. As such, strategies to address challenges are also emphasized and should be executed in unison. Conclusions: This study informs the development of a future CEKH through the identification of the benefits, challenges, and strategies to mitigate challenges when developing knowledge hubs. This study addresses a literature gap regarding the comparisons of knowledge hubs and stakeholder experiences.
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 | 0,018 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,015 | 0,012 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,010 | 0,011 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 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 ».