Insights on a National Safety Improvement Learning Collaborative: Using the Consolidated Framework for Implementation Research
Notice bibliographique
Résumé
Background: There is a growing interest in quality improvement collaboratives (QICs), even though less remains known about contextual factors that impact collective and local project implementation. A study was undertaken that used the Consolidated Framework for Implementation Research (CFIR) to explore the contextual factors impacting the use of this nationwide QIC in Canada. Methods: A deductive or direct qualitative content analysis using CFIR was employed to explore the contextual factors impacting the implementation of a nationwide QIC and participating organizations. Data were used from document analysis and semi-structured interviews with participants from 30 participating healthcare organizations across Canada. Results: A variety of contextual factors emerged, which influenced the uptake of the QICs across different settings, including intervention characteristics, outer setting, inner setting, and process factors. This study illustrates how organizations can consider a multi-pronged, theory-driven approach to guide the evaluation of safety and quality improvement efforts. Conclusions: This study provides insights into contextual factors that impact the implementation of local safety projects involved in a larger QIC, which may serve as a template or blueprint for healthcare leaders in their efforts to guide the co-design, implementation and evaluation of safety and quality improvement efforts.
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 | 0,244 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,013 | 0,038 |
| Communication savante | 0,025 | 0,019 |
| Science ouverte | 0,007 | 0,018 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».