Overview of Translational Research, Implementation Science, and Scale-Up
Notice bibliographique
Résumé
Interventions that prove efficacious and effective in research settings must move beyond initial testing and be integrated into routine use.However, on average it takes 17 years for just 14% of clinical research to move into regular practice (Balas & Boren, 2000;Morris et al., 2011).The gap between what is known from research studies and what gets done in the real world is often referred to as the know-do gap (Green et al., 2009; World Health Organization, 2006).Once effective interventions/programs are integrated into a specific setting, policy makers (e.g., governments and health authorities) and funders want to know how interventions that enhanced health on a small scale can be disseminated on a broader scale to positively impact population health.Despite the importance of implementing effective interventions at broad scale to improve population health, few physical activity interventions have been scaled-up (Gray et al., 2021;Lane et al., 2021;Naylor et al., 2015;Reis et al., 2016), which generates the implementation to scale-up gap.Moving research findings into practice and then scaling-up is critical to achieve a return on investment in the research landscape and to improve health outcomes in a broader population (Colditz & Emmons, 2018).
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 | 0,159 | 0,182 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,017 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,008 |
| Communication savante | 0,014 | 0,012 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,009 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».