Building a communication and support network among quality improvement teams in nursing homes: a longitudinal study of the SCOPE trial
Notice bibliographique
Résumé
BACKGROUND: We applied a longitudinal network analysis approach to assess the formation of knowledge sharing and collaboration networks among care aide-led quality improvement (QI) teams in Canadian nursing homes participating in the Safer Care for Older Persons (in residential) Environments (SCOPE) trial which aimed to support unregulated front-line staff to lead unit-based quality improvement (QI) teams in nursing homes. We hypothesized that SCOPE's communicative and participatory nature would provide opportunities for peer support, knowledge sharing, and collaboration building among teams. METHODS: Fourteen QI teams in Alberta (AB) and seventeen QI teams in British Columbia (BC) participated in the study. Communications across nursing homes occurred through a series of 4 collaborative Learning Congresses (training sessions) over a 1-year period. The senior leaders of QI teams participated in two online network surveys about the communication/collaboration between teams in their province, 1 month after the first, and 6 months later, after the fourth Learning Congress. We developed communication and collaboration network maps pertaining to three time points: before SCOPE, at 2 months, and at 9 months. RESULTS: Over time, teams made significantly more new connections and strengthened existing ones, within and across regions. Geographic proximity and co-membership in organizational chains were important predictors of connectivity before and during SCOPE. Teams whose members were well connected at baseline disproportionately improved connectivity over time. On the other hand, teams that did not have prior opportunities to connect appeared to use SCOPE to build new ties. CONCLUSIONS: Our findings suggest the importance of network-altering activities to the formation of collaboration networks among QI teams across nursing homes. Active strategies could be used to better connect less connected teams and facilitate collaboration among geographically proximate teams. These findings may inform the development of interventions to leverage existing networks and provide new networking opportunities to develop and sustain organizational improvements.
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 | 0,014 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».