MétaCan
Menu
Retour à la cohorte
Enregistrement W4319439373 · doi:10.1186/s12913-023-09027-0

Clinical research coordinators’ role in knowledge translation activities in rehabilitation: a mixed methods study

2023· article· en· W4319439373 sur OpenAlexafffundabout
Pascaline Kengne Talla, Chantal Robillard, Sara Ahmed, Andréanne Guindon, Catherine Houtekier, Aliki Thomas

Notice bibliographique

RevueBMC Health Services Research · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Sciences Research and Education
Établissements canadiensMcGill University Health CentreUniversité du Québec à MontréalSanté MontérégieMcGill UniversityCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalCentre for Interdisciplinary Research in Rehabilitation
Organismes subventionnairesCentre for Interdisciplinary Research in Rehabilitation
Mots-clésKnowledge translationFocus groupNursing researchContext (archaeology)MedicineHealth informaticsRehabilitationParticipatory action researchQualitative researchKnowledge managementHealth careDescriptive statisticsNursingMedical educationPublic healthBusinessComputer scienceSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Clinical research coordinators (CRCs) facilitate the interaction between researchers and knowledge users in rehabilitation centres to promote and sustain evidence-informed practices. Despite their presence in rehabilitation settings in Quebec for over 20 years, little is known about their profiles and knowledge translation (KT) activities nor how they can best enact their role. This study explored CRCs' roles and perspectives on the barriers, enablers, and strategies for improving KT activities in rehabilitation settings. METHODS: We conducted a multi-centre, participatory sequential mixed methods study. In the descriptive quantitative phase, we collected data via an online survey to determine CRCs' role in research and KT. In the subsequent qualitative phase, we conducted an in-person focus group to elicit CRCs' perspectives regarding factors influencing their work in KT, and potential solutions for overcoming these challenges. We used a descriptive and an inductive content analysis approach for the data analysis. The data synthesis was inspired by the Promoting Action on Research Implementation in Health Services framework. RESULTS: All nine CRCs from five partner health regions of a large rehabilitation research centre agreed to participate in the study. The data suggest that CRCs are like knowledge brokers and boundary spanners. As information managers, linkage agents and facilitators, CRCs play a pivot role in diffusion, dissemination, synthesis and tailoring of knowledge to improve evidence informed practices and quality of care in rehabilitation. The factors influencing CRCs' KT activities are mostly linked to the context such as the receptivity of the organization as well as the lack of time and resources, and limited understanding of their roles by stakeholders. Two main suggestions made to enhance CRCs' contribution to KT activities include the harmonisation of expectations between the large research centre and their partner health regions, and better promotion of their role to clinical and research teams. CONCLUSIONS: This study provides valuable insights into the scope of CRCs' role. The results shed light on the challenges that they face and potential solutions to overcome them. The knowledge generated in this study can be used to implement this role with similar duties in rehabilitation settings or other health care domains.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,154
score de la tête « metaresearch » (Gemma)0,137
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,846
Score d'incertitude au seuil0,812

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1540,137
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0050,005
Études des sciences et des technologies0,0080,004
Communication savante0,0070,005
Science ouverte0,0030,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,548
Tête enseignante GPT0,719
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeQualitatif
DomaineMéthodes
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetHealth Sciences Research and EducationTravaux en français237 207