The dimensional structure of the barriers to research utilization experienced by Environmental Health Officers in Canada
Notice bibliographique
Résumé
Background The purpose of this study was to explore the dimensional structure of the Environmental Health Officer (EHO) responses to the BARRIERS Scale from data collected in 2012 and 2020 to: (1) uncover new holistic ways of interpreting the factors influencing research utilization (RU); and (2) apply a theoretical lens to the data. Methods Principal Component Analysis was used to analyze the dimensional structure of the 2012 data and develop a structural equation model (SEM). The resultant factors were categorized using the Active Implementation Frameworks (AIFs). Confirmatory Factor Analysis was applied to the SEM using the 2020 data. Results A four factor solution was identified and the resultant SEM aligned with the following AIFs: Competency Drivers, Useful Innovations, Leadership Drivers, and Organization Drivers. The SEM was found to explain 52% of the loading variation, capturing a satisfactory amount of information from the dataset. The SEM was analyzed for goodness of fit using 2020 data and it showed a statistically sound but imperfect fit. Conclusions These four factors provide a useful way to understand and mitigate barriers to RU in EHO practice. Three of the factors align with the Implementation Drivers Framework (Competency Drivers, Leadership Drivers, and Organization Drivers) and the fourth factor was associated with the Useful Innovations Framework, representing only two of the six AIFs, thus demonstrating a theoretical gap. The imperfect goodness of fit test indicated a statistical gap. These results suggest that more research is needed to better understand the full set of barriers to RU experienced by EHOs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».