MétaCan
Menu
Retour à la cohorte
Enregistrement W4400897834 · doi:10.17061/phrp34232409

Are they the same? Disentangling the concepts of implementation science research and population scale-up

2024· article· en· W4400897834 sur OpenAlexaff
Karen Lee, H.A.C. McKay, Melanie Crane, Andrew Milat, Luke Wolfenden, Nicole Rankin, Rachel Sutherland, Adrian Bauman

Notice bibliographique

RevuePublic Health Research & Practice · 2024
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensVancouver Coastal Health Research InstituteUniversity of British ColumbiaVancouver Coastal Health
Organismes subventionnairesnon disponible
Mots-clésScale (ratio)PopulationComputer scienceData scienceMedicineGeographyEnvironmental healthCartography

Résumé

récupéré en direct d'OpenAlex

A new discipline, implementation science, has emerged in recent years. This has resulted in confusion between what 'implementation science' is and how it differs from real-world scale-up of health interventions. While there is considerable overlap, in this perspective, we seek to highlight some of the differences between these two concepts in relation to their origin, drivers, research methods and implications for population impact and practice. We recognise that implementation science generates new information on optimal methods and strategies to facilitate the uptake of evidence-based practices. This new knowledge can be used as part of any scaling-up endeavour. However, real-world scale-up is influenced to a much greater extent by political and strategic needs and key actors and generally requires the support of governments or large agencies that can fund population-level scale-up. Furthermore, scale-up often occurs in the absence of any evidence of effectiveness. Therefore, while implementation science and scale-up both ultimately aim to facilitate the uptake of interventions to improve population health, their immediate intentions differ, and these distinctions are worth highlighting for policymakers and researchers.

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)0,583
score de la tête « metaresearch » (Gemma)0,618
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,417
Score d'incertitude au seuil0,515

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,5830,618
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0070,004
Bibliométrie0,0100,010
Études des sciences et des technologies0,0050,088
Communication savante0,0350,060
Science ouverte0,0080,020
Intégrité de la recherche0,0130,025
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,400
Tête enseignante GPT0,610
Écart entre enseignants0,210 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeThéorique ou conceptuel
DomaineMéthodes
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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublic Health Research & PracticeMême sujetChild Nutrition and Water AccessTravaux en français237 207