Theorising a spectrum of reasons for failure in knowledge brokering: a developmental evaluation
Notice bibliographique
Résumé
Background: Despite the growing interest in knowledge brokering as an approach to mobilising knowledge for societal benefit, research has only recently begun investigating the consequences of knowledge brokers' actions. In particular, while it is known that failure can provide a valuable learning experience for individuals and organisations alike, very few studies have explored failure in knowledge brokering. Aims and objectives: With the aim of informing how knowledge brokers can navigate common professional challenges, this article discusses a spectrum of reasons for failure in the professional practice of knowledge brokering. Methods: Data for this article comes from a developmental evaluation of a network of knowledge brokers, focusing specifically on a set of semi-structured interviews (N = 20). Findings: The overarching themes identified in this study are organised according to the three constructs that knowledge brokers act upon in the i-PARIHS framework: innovation, recipients, and context. Knowledge brokers experienced different types of failure across these constructs, ranging from violations of prescribed practices and processes to exploratory testing. Discussion and conclusions: Failure is not a monolithic outcome, and future research could seek to identify levers for change regarding the failure experiences available to knowledge brokers. Additionally, it will not be enough to learn to fail; research and practice in knowledge brokering must learn to fail intelligently. Finally, failure cannot remain a private experience. Advancing the field of knowledge brokering will require researchers and practitioners to share when and how their efforts have failed.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».