How to formulate high-quality lessons learned: a rapid review
Notice bibliographique
Résumé
appears in the titles of thousands of scientific articles, most do not describe how these lessons were produced or the level of rigor involved in their development. As part of a project aimed at deriving lessons from hospitals' resilience during the COVID-19 pandemic in five countries (the HoSPiCOVID project), we sought to systematised the process of producing these lessons. To do so, we conducted a rapid review to identify the best ways of developing quality lessons learned (QLLs). A QLL results from a systematic process of collecting, compiling, and analysing data derived from a research project. The rapid review follows the same key steps as a systematic review, adapted to a more accelerated and pragmatic format. From 1,881 documents initially identified, 18 were retained. Their analysis identified three principles to guide the process of developing QLLs: 1) Creating a supportive climate; 2) Choosing the right leaders or facilitators for the process; and 3) Engaging in a scientific approach. Based on these findings, we developed a guide comprising 11 steps, structured into two main phases: preparatory steps for QLL development, and steps for identifying and formulating QLLs. This guide offers a structured process for teams seeking to enhance the rigor, clarity, and potential transferability of the lessons they formulate.
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 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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».