Contextual Factors Influencing the Effects of a Quality Improvement Support Agency (QISA): A Qualitative Study
Notice bibliographique
Résumé
Quality improvement has become a global priority as more countries become interested in systemic strategies, particularly that of the Quality Improvement Support Agency (QISA). This study sets out to identify and document contextual factors that facilitate or hinder the perceived effects of QISAs. A study of two critical and paradigmatic cases consisting of the QISAs HAS and INESSS was carried out through interviews, a focus group discussion, a non-participatory observation session, and the use of secondary data from in-depth documentary research. All data were recorded and processed using the QDA Miner 6.0.2 software in an inductive approach in two coding cycles and were validated by the participants. The results showed that the contextual factors at the level of the internal environment included: leadership of agency actors; dissemination and support strategy for their productions and support for their implementation; availability and nature of human, informational, and material resources; organizational culture; training of actors; and coordination, coherence, and complementarity of the various activities of an agency. At the level of the external environment, the factors included: crises; institutional collaborations and partnerships at the national and international levels; collaborations and partnerships with system actors; public policy, governance, and leadership; legal provisions; health information system and data accessibility; and funding. These results, the first to be produced on this topic, complement the literature on QISAs and may thus inspire other jurisdictions in developed and developing countries to implement more efficient, sustainable, and self-potentiating quality improvement strategies.
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 | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».