Evaluation and comparison of knowledge translation patterns in selected countries with Iran: A comparative study
Notice bibliographique
Résumé
BACKGROUND: One of the main issues related to the inefficiency of the health system is the lack of sufficient communication between researchers and health policymakers regarding the exchange of the latest findings and the use of inappropriate evidence to manage cases. The knowledge translation removes this disconnect. MATERIALS AND METHODS: In this comparative study, to obtain appropriate data on the status of knowledge translation, refer to the databases of reputable centers and governments and the knowledge translation models were reviewed in the title of main articles, abstracts, guidelines, and reports of reputable international organizations between 2005 and 2020. The origin of the models was determined, then the countries with the largest number of models were selected and analyzed using Walt and Gilson's "Policy Triangle framework in four dimensions: context, content, process, and actors." RESULTS: All the three countries have politically, socially, and economically made knowledge translation one of their policy priorities. Iran's centralized health system is a major obstacle. The USA and Canada have clear strategies and coherent and practical infrastructures that implement the knowledge translation in the form of operational plans. In contrast, in Iran, it has been enough to establish the knowledge translation centers at the level of universities and knowledge translation websites. In Iran, the Ministry of Health and universities of medical sciences play a direct role, but in Canada, they also use knowledge broker to apply knowledge. CONCLUSION: Iran is building capacity in the field of knowledge translation. That the implementation of interventions with the cooperation of macro policymakers can strengthen it.
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 | 0,009 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».