Building capacity in horizon scanning, early awareness, and disinvestment: a framework for education and training
Notice bibliographique
Résumé
OBJECTIVES: The increasing relevance of horizon scanning (HS), early awareness (EA), and disinvestment (DIS) highlights the need for a structured approach to capacity building. Although these fields are essential for evidence-based policy decisions, a harmonized education and training framework to develop necessary competencies is lacking. This article presents the development of a curriculum designed to address this gap in training. METHODS: A transdisciplinary working group was established, drawing on international stakeholders from academia, the public sector, and industry. Using an iterative consensus-driven approach, the group developed a modular curriculum. The curriculum design incorporated best practices from existing education programs in related fields and emphasized case-based learning strategies to ensure contextual adaptability. RESULTS: The resulting curriculum covers theoretical foundations, practical applications, and decision-making processes related to HS, EA, and DIS in eight modules. It supports diverse learner needs, including trainees, training institutions, and public and private organizations, and is designed to be flexible, scalable, and applicable across different regional and organizational contexts. CONCLUSIONS: This curriculum initiative represents a major step toward harmonizing capacity building in HS, EA, and DIS. It fosters sustainability, enhances global health system preparedness, and provides a structured educational platform to support the effective integration of emerging health technologies and evidence-based disinvestment strategies.
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 | 0,024 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,034 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».