Capacity development for knowledge mobilization: a scoping review of the concepts and practices
Notice bibliographique
Résumé
Abstract There is a growing emphasis worldwide on the use of knowledge mobilization (KMb) to improve policies and practices with the latest research evidence. This emphasis calls upon knowledge producers (e.g., university researchers) to produce more relevant evidence, and knowledge users (e.g., practitioners) to access and apply evidence. However, doing KMb can be challenging for these groups without effective support and training. Therefore, individuals and organizations are undertaking capacity development interventions to facilitate the KMb process with more effective support structures, skills, and incentives. Despite its recognized importance, theoretical evidence and practical guidance on capacity development for KMb are scattered across disciplines and practices. To address this, we conducted a scoping review study to review the current practices and concepts and identify significant gaps. One-thousand six-hundred thirty records were gathered, and 105 peer-reviewed and gray literature documents from 2010 to 2020 were reviewed. Two reviewers worked independently in screening the records, and one researcher analyzed the retained documents. The analysis reveals that capacity development for KMb is a multidimensional and multiscalar concept and practice with a diverse range of initiators, initiatives, and beneficiaries. This study also reports on three thematic areas of significance emerging from the literature, namely: (a) individuals’ and organizations’ challenges in doing and supporting KMb, (b) the capacities and supports deemed needed for effective KMb, and (c) the strategies being used for delivering capacity development. Furthermore, this study identifies evidence gaps related to the process aspects of capacity development for KMb (i.e., planning), capacity development initiatives being undertaken in developing country contexts, and results from more formal evaluations of KMb capacity-building effectiveness.
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 | 0,107 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,066 | 0,067 |
| Études des sciences et des technologies | 0,005 | 0,008 |
| Communication savante | 0,013 | 0,014 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».