Knowledge Translation Interventions to Increase the Uptake of Evidence-Based Practice Among Pediatric Rehabilitation Professionals: A Systematic Review
Notice bibliographique
Résumé
Aims To summarize evidence on effective knowledge translation (KT) interventions to increase evidence-based practice among pediatric rehabilitation professionals.Methods The PRISMA 2020 Checklist was used for search, selection, and data extraction. The Mixed Methods Appraisal Tool assessed quality, while the Cochrane Effective Practice and Organization of Care described KT interventions.Results Our search yielded 7233 records; 29 met the inclusion criteria. Two studies used educational materials alone. The remaining 27 studies used multifaceted KT interventions, combining education with local opinion leaders or knowledge brokers (n = 12), continuous quality improvement (n = 11), reminders (n = 6), communities of practice (n = 6), provider performance monitoring (n = 5), audit and feedback (n = 2), information and communication technology (n = 2), clinical practice guideline (n = 1), or routine patient-reported outcome measures (n = 1). Significant improvements in knowledge (n = 10), skills (n = 6), adherence and use (n = 4), perceptions (n = 3), intentions of use (n = 2), confidence level (n = 1), beliefs and attitudes (n = 3), and professional behavior change (n = 2) were reported. Included studies had a moderate to high-risk bias.Conclusion Educational and local opinion leaders were common in multifaceted KT interventions, the majority resulting in improved professional knowledge, skills, attitudes and beliefs, and behaviors. Rigorous study designs are needed to confirm these findings.
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 | 0,013 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».