Building a Logic Model to Foster Engagement and Learning Using the Case of a Province-Wide Multispecies Antimicrobial Use Monitoring System
Notice bibliographique
Résumé
Successfully designing and implementing a program is complex; it requires a reflexive balance between the available resources and the priorities of various stakeholders, both of which change over time. Logic models are theory-based evaluation approaches used to identify and address key challenges of a program. This article describes the process of building a logic model on advanced theories in complexity studies. The models aim to support a province-wide multispecies monitoring system of antimicrobial use (AMU), designed in collaboration with the animal health sector in Quebec (Canada). Based on a rigorous theoretical foundation, the logic model is built in three steps: (1) mapping, a narrative review of literature on similar programs in other jurisdictions; (2) framing, iterative consultations with project members to elaborate the logic model; (3) shaping, hypotheses based on the logic model. The model emerges from the reflexive balancing of current scientific knowledge and empirical insights to gather relevant information about stakeholders from interdisciplinary experts that led a 3-year consensus-building process within the community. Recognizing the challenge of unpacking theories for practical use, we illustrate how the process of an “open” logic model building could enable governance coordination in complex processes. Logic models are useful for evaluating public, private, and academic partnerships in One Health programs that characterize an adaptive governance process.
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 | 0,045 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,016 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».