Using Social Network Analysis to Inform Implementation Science Infrastructure Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Implementation is an inherently collaborative and transdisciplinary activity; however, engaging key partners across research, practice, and policy sectors is challenging. Successful implementation requires supportive infrastructure for both research and practice. This paper presents practice-based reflections on the value of exploratory social network analysis during the early phases of developing implementation infrastructure in Alberta, Canada. Specifically, we argue that exploratory social network analysis, when paired with follow-up qualitative interviews, can help identify local implementation science assets, inform network-building, and promote implementation support services to target users. Exploratory social network analysis helped our team identify key implementation researchers and implementation support practitioners in Alberta's health-research ecosystem. The analysis also showed that implementation research in the province of Alberta follows a consultation model, with one-way assistance requests, while implementation practice is more collaborative in nature. The follow-up interviews provided an opportunity to engage with teams across the networks and allowed participants to contextualize the social network analysis findings. This uncovered: (1) widespread need for implementation science capacity-building, and (2) key implementation partnership considerations. These results illustrate how organizations can employ social network analysis in practical ways to inform implementation infrastructure development. Supplementary Information: The online version contains supplementary material available at 10.1007/s43477-025-00180-8.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,018 |
| Études des sciences et des technologies | 0,010 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle