Implementation of a national programme to train and support healthcare professionals in brief behavioural interventions: A qualitative study using the theoretical domains framework
Notice bibliographique
Résumé
OBJECTIVES: Behaviour change interventions offered opportunistically by healthcare professionals can support patient health behaviour change. The Making Every Contact Count (MECC) programme in Ireland is a national programme to support healthcare professionals to use brief behavioural interventions. The aim of this study was to gain an in-depth understanding of the enablers of, and barriers to, embedding MECC across the healthcare system. DESIGN: A qualitative interview study. METHODS: We conducted individual semi-structured interviews to understand barriers and enablers to MECC implementation. Our sample was 36 participants (11 health promotion and improvement officers, 9 nurses, 15 allied health professionals and 1 training instructor) who have a direct role in either supporting or delivering brief interventions to patients. Data were analysed using a Framework Analysis approach guided by the Theoretical Domains Framework (TDF). RESULTS: Eight theoretical domains influenced MECC implementation: environmental context and resources, intentions/goals, beliefs about the consequences of MECC delivery, knowledge, healthcare professionals' beliefs about their capability to deliver MECC interventions, social and professional role and identity, and reinforcement and skills. Environmental context and resources was the most strongly endorsed domain with key influencing factors including consultation type/setting, making MECC a routine part of clinical practice, a multi-professional approach, access to/visibility of resources/services, management support/expectations, impacts of the COVID-19 pandemic, and the salience of the MECC programme and the strategic fit of MECC with other health service initiatives. CONCLUSIONS: While individual factors influence national implementation of behaviour change interventions, creating enabling environments for healthcare staff is crucial for widespread adoption across healthcare systems.
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 | 0,017 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».