Integrating implementation science and intervention optimization
Notice bibliographique
Résumé
BACKGROUND: Implementation scientists increasingly recognize the value of multiple strategies to improve the adoption, fidelity, and scale up of an evidence-based intervention (EBI). However, with this recognition comes the need for alternative and innovative methods to ensure that the package of implementation strategies work well within constraints imposed by the need for affordability, scalability, and/or efficiency. The aim of this article is to illustrate that this can be accomplished by integrating principles of intervention optimization into implementation science. METHOD: We use a hypothetical example to illustrate the application of the multiphase optimization strategy (MOST) to develop and optimize a package of implementation strategies designed to improve clinic-level adoption of an EBI for smoking cessation. RESULTS: We describe the steps an investigative team would take using MOST for an implementation science study. For each of the three phases of MOST (preparation, optimization, and evaluation), we describe the selection, optimization, and evaluation of four candidate implementation strategies (e.g., training, treatment guide, workflow redesign, and supervision). We provide practical considerations and discuss key methodological points. CONCLUSION: Our intention in this methodological article is to inspire implementation scientists to integrate principles of intervention optimization in their studies, and to encourage the continued advancement of this integration.
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 | 0,292 | 0,317 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,029 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».