From 'multicultural health' to 'knowledge translation'—rethinking strategies to promote language access within a risk management framework
Notice bibliographique
Résumé
Introduction. There is compelling international evidence on the negative impacts of language barriers and reliance on untrained interpreters on health and healthcare. However, response to this evidence has been slow and uneven, and gains made over the years risk being eroded. This 'knowledge to action' gap is, however, not unique to the issue of language access. Methods. In one large Canadian health authority, a four stage knowledge translation (KT) strategy (getting the issue on the agenda; informing the response; guiding implementation; and changing provider practice) was developed to promote evidence-informed action to address language barriers. This multi-faceted strategy incorporated the principles of partnership with knowledge users, maintaining a focus on the evidence, phased introduction of evidence, synthesising evidence in context, and working within the conceptual framework of decision-makers. This approach reflected a shift from a 'multicultural health' to a 'risk management' approach in communicating with decision-makers, and integration of the issue of language access with already identified organisational priorities. Results. This collaborative strategy resulted in health system adoption of a unique evidence-informed model of trained health interpreter services, even though initiated during difficult economic times. Conclusion. Focused use of 'knowledge to action' strategies has the potential to promote evidence-informed action in provision of interpreter services.
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 | 0,127 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,015 | 0,062 |
| Communication savante | 0,022 | 0,021 |
| Science ouverte | 0,005 | 0,033 |
| Intégrité de la recherche | 0,009 | 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 ».