Approaches to monitoring and evaluation of knowledge translation platforms in low- and middle-income countries: A scoping review
Notice bibliographique
Résumé
Background: Knowledge Translation Platforms (KTP) attempt to bridge the "know-do gap" between researchers and policymakers. This study summarized the evidence on activities, as well as methods of monitoring and evaluation projects of KTPs in Low- and Middle-Income Countries (LMICs). Methods: The Arksey and O’Malley methodology for scoping reviews was used. The databases accessed include Medline, Global Health, CINAHL, EBSCO and Cochrane library databases. Only Studies that indicated range of activities, tools or methods used in monitoring and evaluating KTP to achieve the implementation of evidence informed policymaking in LMICs were included. The key words used includes Knowledge Translation, Monitoring and Evaluation, Platforms and Low- and Middle-Income countries. Results: Total of 3150 hits were obtained from the searched databases. 750 duplicates were identified and removed resulting to 2398 articles. Using title screening, 2123 articles were excluded resulting in 275 articles for abstract screening. Abstract screening led to exclusion 246 articles, leaving 29 articles for the full-text screening. Full-text screening resulted to exclusion of 25 articles resulting to 4 articles that meet the inclusion criteria. No relevant articles were obtained from the reference list screening and grey literature search. Conclusion: Evidence shows that Case study methodology is the predominate method of evaluating KTPs. The shortest time duration from generation to use of evidence in decision making was noticed to be 1-year. The range of activities used to monitor KTP in bridging the “know do gap” includes stakeholder’s engagement, building capacity, priority setting, meeting with stakeholders, generating policy brief, litmus testing of brief, stakeholders dialogue, evidence brief and dialogue review, disseminating of findings and implementation. The minimum and maximum number of activities performed in each KTP process is 5 and 8 activities respectively.
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 | 0,119 | 0,292 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,057 | 0,047 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,015 | 0,018 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».