Navigating barriers and pathways in capacity development for knowledge mobilization: perspectives from McGill University’s Faculty of Education
Notice bibliographique
Résumé
Introduction This study offers a case study of capacity development for Knowledge Mobilization (KMb) within the context of McGill University’s Faculty of Education, focusing on the experiences of researchers and students engaged in KMb. Amidst increasing global demands for academic research to contribute to societal benefits, this case study evaluated the participants’ experiences of challenges and support received in doing KMb activities. Methods This case study followed a qualitative exploratory approach, utilizing semi-structured interviews to gather detailed insights from graduate students and faculty members within McGill University’s Department of Integrated Studies in Education (Montreal, Canada). Ten participants were selected through convenience sampling, to provide a diverse representation of experiences in engaging with KMb practices. The study’s inductive data analysis strategy allowed for a comprehensive analysis of the challenges and supports related to KMb and grounded findings in the real-world experiences and perspectives of those directly involved in KMb efforts. Results The research revealed organizational challenges, including inadequate recognition of KMb efforts and insufficient institutional support, as significant barriers to effective KMb. Despite these obstacles, certain enablers, such as KMb training and supportive relationships with supervisors, highlight the potential pathways for enhancing KMb capacity. Notably, the study uncovered a discrepancy between the availability and accessibility of KMb support, pointing to the necessity of tailored, accessible capacity development strategies. Discussion By emphasizing the need for systemic changes and prioritizing organizational capacity development, this research contributes to a more nuanced understanding of fostering effective and inclusive KMb practices with faculties of Education and beyond.
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 | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,039 | 0,021 |
| Communication savante | 0,014 | 0,004 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».