Supporting Best Practice Stroke Care Through a Virtual Community of Practice : Challenges, Successes, and Sustainability
Notice bibliographique
Résumé
BackgroundThe Toronto Stroke Networks (TSNs) Virtual Community of Practice (VCoP) provides a web-based knowledge translation (KT) strategy to support cross-continuum interprofessional collaborative learning and system-wide integration of stroke best practices. This work aims to:1) examine current VCoP use to support stroke best practices, and 2) share challenges and successes in implementing this KT strategy. MethodUsing a developmental evaluation approach, a review of VCoP use focused on three domains: 1) trend analysis in website analytics and user-generated content; 2) use of VCoP groups in supporting project-based work for regional stroke system planning; and 3) stakeholder feedback. ResultsVCoP membership has increased to 599 current users over 5 years, including a diverse clinical, community, and academic membership. To date, there are 125 resources and 549 user-generated comments related to stroke best practices on the VCoP. Of the 160 discussion groups, there are currently approximately 10 project-based discussions directly linked to regional stroke system planning. Strategies used to support engagement include: 1) facilitation of discussions by peer champions, 2) actively seeking regional expertise to answer practice-related questions, 3) weekly email digests of site activity, and 4) integrating stakeholder feedback for iterative improvement. ConclusionThe VCoP provides an interprofessional collaborative learning platform to support wide-spread KT for stroke best practices. Work is underway to examine optimizing system-wide adoption of the VCoP and impact on practice change. Knowledge created in this work supports the sustainability and spread of the VCoP to other regions and stroke systems.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,011 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,007 | 0,077 |
| Science ouverte | 0,015 | 0,033 |
| Intégrité de la recherche | 0,002 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes 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 ».