MétaCan
Menu
← Retour à la cohorte
Enregistrement W4392812105 · doi:10.1186/s12913-024-10782-x

Understanding the unique and common perspectives of partners engaged in knowledge mobilization activities within pediatric pain management: a mixed methods study

2024· article· en· W4392812105 sur OpenAlexafffund
Nicole E. MacKenzie, Christine T. Chambers, Christine Cassidy, Penny Corkum, Meghan E. McGrady, Jennifer A. Parker, Kathryn A. Birnie

Notice bibliographique

RevueBMC Health Services Research · 2024
Typearticle
Langueen
DomaineMedicine
ThématiquePediatric Pain Management Techniques
Établissements canadiensUniversity of CalgaryIzaak Walton Killam Health CentreDalhousie University
Organismes subventionnairesResearch Nova ScotiaCanadian Pain SocietyCanada Foundation for InnovationCanadian Institutes of Health ResearchCanadian Psychological AssociationMaritime SPOR SUPPORT UNITCanada Research ChairsDalhousie Medical Research Foundation
Mots-clésThematic analysisNursing researchHealth administrationReflexivityHealth informaticsDescriptive statisticsMedicineQualitative researchPsychologyPublic healthMedical educationApplied psychologyNursingSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Knowledge mobilization (KM) is essential to close the longstanding evidence to practice gap in pediatric pain management. Engaging various partners (i.e., those with expertise in a given topic area) in KM is best practice; however, little is known about how different partners engage and collaborate on KM activities. This mixed-methods study aimed to understand what different KM partner groups (i.e., health professionals, researchers, and patient/caregiver partners) perceive as supporting KM activities within pediatric pain management. METHODS: This study used a convergent mixed-methods design. Ten partners from each of the three groups participated in interviews informed by the Consolidated Framework for Implementation Research, where they discussed what impacted KM activities within pediatric pain. Participants then rated and ranked select factors discussed in the interview. Transcripts were analyzed within each group using reflexive thematic analysis. Group-specific themes were then triangulated to identify convergence and divergence among groups. A matrix analysis was then conducted to generate meta-themes to describe overarching concepts. Quantitative data were analyzed using descriptive statistics. RESULTS: Unique themes were developed within each partner group and further analysis generated four meta-themes: (1) team dynamics; (2) role of leadership; (3) policy influence; (4) social influence. There was full agreement among groups on the meaning of team dynamics. While there was partial agreement on the role of leadership, groups differed on who they described as taking on leadership positions. There was also partial agreement on policy influence, where health professionals and researchers described different institutions as being responsible for providing funding support. Finally, there was partial agreement on social influence, where the role of networks was seen as serving distinct purposes to support KM. Quantitative analyses indicated that partner groups shared similar priorities (e.g., team relationships, communication quality) when it came to supporting KM in pediatric pain. CONCLUSIONS: While partners share many needs in common, there is also nuance in how they wish to be engaged in KM activities as well as the contexts in which they work. Strategies must be introduced to address these nuances to promote effective engagement in KM to increase the impact of evidence in pediatric pain.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,051
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,272

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0510,047
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0050,003
Communication savante0,0060,006
Science ouverte0,0020,006
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,182
Tête enseignante GPT0,517
Écart entre enseignants0,336 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBMC Health Services Research→Même sujetPediatric Pain Management Techniques→Travaux en français237 207→