MétaCan
Menu
Retour à la cohorte
Enregistrement W4365802215 · doi:10.2196/45626

Obstacles to Evidence-Based Procurement, Implementation, and Evaluation of Health and Welfare Technologies in Swedish Municipalities: Mixed Methods Study

2023· article· en· W4365802215 sur OpenAlexvenueno aff
Therese Norgren, Matt X. Richardson, Sarah Wamala Andersson

Notice bibliographique

RevueJMIR Formative Research · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensnon disponible
Organismes subventionnairesMälardalens högskola
Mots-clésProcurementBusinessWelfareHealth careWork (physics)Social WelfareEvidence-based practicePsychological interventionService delivery frameworkService (business)NursingPublic economicsOperations managementMedicineMarketingEconomic growthEconomicsPolitical scienceEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health and welfare technologies (HWTs) are interventions that aim at maintaining or promoting health, well-being, quality of life, and increasing efficiency in the service delivery system of welfare, social, and health care services, while improving the working conditions of the staff. Health and social care must be evidence-based according to national policy, but there are indications that evidence for HWT effectiveness is lacking in related Swedish municipal work processes. OBJECTIVE: This study aimed to investigate whether the evidence is used when Swedish municipalities procure, implement, and evaluate HWT, and if so, the kinds of evidence and the manner of their use. The study also aimed to identify if municipalities currently receive adequate support in using evidence for HWT, and if not, what support is desired. METHODS: An explanatory sequential mixed methods design was used with quantitative surveys and subsequent semistructured interviews with officials in 5 nationally designated "model" municipalities regarding HWT implementation and use. RESULTS: In the past 12 months, 4 of 5 municipalities had required some form of evidence during procurement processes, but the frequency of this varied and often consisted of references from other municipalities instead of other objective sources. Formulating requirements or requests for evidence during procurement was viewed as difficult, and gathered evidence was often only assessed by procurement administration personnel. In total, 2 of 5 municipalities used an established process for the implementation of HWT, and 3 of 5 had a plan for structured follow-up, but the use and dissemination of evidence within these were varying and often weakly integrated. Standardized processes for follow-up and evaluation across municipalities did not exist, and those processes used by individual municipalities were described as inadequate and difficult to follow. Most municipalities desired support for using evidence when procuring, establishing evaluation frameworks for, and following up effectiveness of HWT, while all municipalities suggested tools or methods for this kind of support. CONCLUSIONS: Structured use of evidence in procurement, implementation, and evaluation of HWT is inconsistent among municipalities, and internal and external dissemination of evidence for effectiveness is rare. This may establish a legacy of ineffective HWT in municipal settings. The results suggest that existing national agency guidance is not sufficient to meet current needs. New, more effective types of support to increase the use of evidence in critical phases of municipal procurement and implementation of HWT are recommended.

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)0,309
score de la tête « metaresearch » (Gemma)0,336
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,309
Score d'incertitude au seuil0,852

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3090,336
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0030,003
Bibliométrie0,0090,012
Études des sciences et des technologies0,0040,003
Communication savante0,0090,005
Science ouverte0,0030,007
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,864
Tête enseignante GPT0,798
Écart entre enseignants0,066 · 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
Domainenon disponible
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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetHealth Policy Implementation ScienceTravaux en français237 207